↑ 关注 + 星标 ~ 有趣的不像个技术号
后台回复【大礼包】送你2TPython自学资料
来源 | 早起Python
一、前言
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
二、同步
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
parse_1
函数可以设定循环次数,每次循环将当前循环数(从0开始)和url传入
parse_2
函数。
import requests
def parse_1():
url = 'https://www.baidu.com'
for i in range(300):
parse_2(url)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
性能的消耗主要在IO请求中,当单进程单线程模式下请求URL时必然会引起等待
示例代码就是典型的串行逻辑,
parse_1
将url和循环数传递给
parse_2
,
parse_2
请求并返回状态码后
parse_1
继续迭代一次,重复之前步骤
三、多线程
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
concurrent.futures
中的
ThreadPoolExecutor
来演示。介绍
ThreadPoolExecutor
库是因为它相比其他库代码更简洁
为了方便说明问题,下面代码中如果是新增加的部分,代码行前会加上 > 符号便于观察说明问题,实际运行需要去掉
import requests
> from concurrent.futures import ThreadPoolExecutor
def parse_1():
url = 'https://www.baidu.com'
# 建立线程池
> pool = ThreadPoolExecutor(6)
for i in range(300):
> pool.submit(parse_2, url)
> pool.shutdown(wait=True)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
跟同步相对的就是异步。异步就是彼此独立,在等待某事件的过程中继续做自己的事,不需要等待这一事件完成后再工作。线程就是实现异步的一个方式,也就是说多线程是异步处理异步就意味着不知道处理结果,有时候我们需要了解处理结果,就可以采用回调
import requests
from concurrent.futures import ThreadPoolExecutor
# 增加回调函数
> def callback(future):
> print(future.result())
def parse_1():
url = 'https://www.baidu.com'
pool = ThreadPoolExecutor(6)
for i in range(300):
> results = pool.submit(parse_2, url)
# 回调的关键步骤
> results.add_done_callback(callback)
pool.shutdown(wait=True)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
Python实现多线程有一个无数人诟病的GIL(全局解释器锁),但多线程对于爬取网页这种多数属于IO密集型的任务依旧很合适。
四、多进程
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
ProcessPoolExecutor
和
multiprocessing
1. ProcessPoolExecutor
和实现多线程的ThreadPoolExecutor
类似
import requests
> from concurrent.futures import ProcessPoolExecutor
def parse_1():
url = 'https://www.baidu.com'
# 建立线程池
> pool = ProcessPoolExecutor(6)
for i in range(300):
> pool.submit(parse_2, url)
> pool.shutdown(wait=True)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
可以看到改动了两次类名,代码依旧很简洁,同理也可以添加回调函数
import requests
from concurrent.futures import ProcessPoolExecutor
> def callback(future):
> print(future.result())
def parse_1():
url = 'https://www.baidu.com'
pool = ProcessPoolExecutor(6)
for i in range(300):
> results = pool.submit(parse_2, url)
> results.add_done_callback(callback)
pool.shutdown(wait=True)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
2. multiprocessing
直接看代码,一切都在注释中。import requests
> from multiprocessing import Pool
def parse_1():
url = 'https://www.baidu.com'
# 建池
> pool = Pool(processes=5)
# 存放结果
> res_lst = []
for i in range(300):
# 把任务加入池中
> res = pool.apply_async(func=parse_2, args=(url,))
# 获取完成的结果(需要取出)
> res_lst.append(res)
# 存放最终结果(也可以直接存储或者print)
> good_res_lst = []
> for res in res_lst:
# 利用get获取处理后的结果
> good_res = res.get()
# 判断结果的好坏
> if good_res:
> good_res_lst.append(good_res)
# 关闭和等待完成
> pool.close()
> pool.join()
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
可以看到
multiprocessing
库的代码稍繁琐,但支持更多的拓展。多进程和多线程确实能够达到加速的目的,但如果遇到IO阻塞会出现线程或者进程的浪费,因此有一个更好的方法……
五、异步非阻塞
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
asyncio
库+
yield
,为了方便利用逐渐出现了更上层的封装
aiohttp
,要想更好的理解异步非阻塞最好还是深入了解
asyncio
库。而
gevent
是一个非常方便实现协程的库
import requests
> from gevent import monkey
# 猴子补丁是协作运行的灵魂
> monkey.patch_all()
> import gevent
def parse_1():
url = 'https://www.baidu.com'
# 建立任务列表
> tasks_list = []
for i in range(300):
> task = gevent.spawn(parse_2, url)
> tasks_list.append(task)
> gevent.joinall(tasks_list)
def parse_2(url):
response = requests.get(url)
print(response.status_code)
if __name__ == '__main__':
parse_1()
gevent能很大提速,也引入了新的问题:如果我们不想速度太快给服务器造成太大负担怎么办?如果是多进程多线程的建池方法,可以控制池内数量。如果用gevent想要控制速度也有一个不错的方法:建立队列。gevent中也提供了Quene类,下面代码改动较大
import requests
from gevent import monkey
monkey.patch_all()
import gevent
> from gevent.queue import Queue
def parse_1():
url = 'https://www.baidu.com'
tasks_list = []
# 实例化队列
> quene = Queue()
for i in range(300):
# 全部url压入队列
> quene.put_nowait(url)
# 两路队列
> for _ in range(2):
> task = gevent.spawn(parse_2)
> tasks_list.append(task)
gevent.joinall(tasks_list)
# 不需要传入参数,都在队列中
> def parse_2():
# 循环判断队列是否为空
> while not quene.empty():
# 弹出队列
> url = quene.get_nowait()
response = requests.get(url)
# 判断队列状态
> print(quene.qsize(), response.status_code)
if __name__ == '__main__':
parse_1()
结束语
![6bed90cb6bda60ca0d397dc0b4b78830.png](https://i-blog.csdnimg.cn/blog_migrate/9c918f19ff852e7105e298364bc170af.png)
以上就是几种常用的加速方法。如果对代码测试感兴趣可以利用time模块判断运行时间。爬虫的加速是重要技能,但适当控制速度也是爬虫工作者的良好习惯,不要给服务器太大压力,拜拜~
作者:陈熹
简介:一只有着码农梦想的眼科狗。更多内容欢迎关注简书:半为花间酒,会不定期更新一些python、R语言、SQL相关及生物信息学、网络爬虫、数据分析、可视化相关的文章。
推荐两个团队技术号
Github研习社:目前是由国内985博士,硕士组成的团体发起并运营,主要分享和研究业界开源项目,学习资源,程序设计,学术交流。回复就无套路送你一份自学大礼包。
机器学习研习社目前是由国内985博士,硕士组成的团体发起并运营。主要分享和研究机器学习、深度学习、NLP 、Python,大数据等前沿知识、干货笔记和优质资源。回复就无套路送你一份机器学习大礼包。
推荐阅读是的,这张诱人的桑基图,就是用Python画的回复【大礼包】获取自学资料包
如果你觉得文章有帮助,点个“好看”![2fe6d00adacacca2a3d4a1e27495ffdf.gif](https://i-blog.csdnimg.cn/blog_migrate/ec233ec4b8d68fa4ca942abe8f897243.gif)