多任务Python爬虫

一、多任务简介

1. 为什么要使用多任务爬虫？

• 在大量的url需要请求时，单线程/单进程去爬取，速度太慢，此时cpu不工作，浪费cpu资源。

• 爬取与写入文件分离，可以规避io操作，增加爬取速度，充分利用cpu。

2、多任务分类

• 进程：进程是操作资源分配的最小单位，一个运行的程序，至少包括一个进程，进程之间数据不能共享。（利用多核）
• 线程：线程是cpu调度的最小单位，一个进程中至少含有一个线程，线程中数据是共享的，如果多个线程操作同一个对象时，需要考虑数据安全问题。（爬虫中最常用）
• 协程：协程位于线程内部，如果一个线程中运行的代码，遇到IO操作时，切换到线程其他代码执行（最大程度的规避IO操作）

3.如何提高程序的运行速度？

• 提高CPU的利用率

  假如我们的程序有只有一个线程，CPU就只处理这一个线程。如果在程序中遇到IO操作。此时CPU就不工作了。休息的这段时间，就浪费了CPU的资源。

  若我们的程序是多线程的，CPU会在这多个任务之间切换，如果其中一个线程阻塞了，CPU不会休息，会处理其他线程。

• 增加CPU数量

  一个CPU同一时间只能护理一个任务，若我们增加CPU数量，那么多个CPU处理多个任务，也会提升程序的运行速度，例如使用多进程。

二、python中的threading模块（开启多线程）

cpython 解释器下的 python中没有真正的多线程，造成这个情况的原因是因为GIL（全局性解释器锁），在一个进程中，多个线程是数据共享的，如果不设置全局解释性锁，多个线程可能在同一时间对同一个变量进行操作，造成变量的引用计数不正确，影响其进行垃圾回收，所以需要加全局性解释器锁。

1.多线程开启方法

from threading import Thread
1、使用函数
t = Thread(
					target=线程执行的任务（方法）名字，
					args = 执行方法的参数，是一个元组
				)---创建线程
t.start()---启动线程

2、使用类
class Mythread(Thread)
	def __init__(self,参数)
		self.参数=参数
		super(Mythread,self).__init__()
	
	def run(self):
		将需要多任务执行的代码，添加到此处

if __name__ == '__main__':
    my =  Mythread(参数)
    my.start()

2.线程中常用的几个方法

from threading import Thread, current_thread, enumerate, active_count
import time
import random


class MyThread(Thread):
    def run(self):
        time.sleep(random.random())
        msg = "I'm" + self.name + "@" + str(i)
        print(current_thread().ident) 
        print(current_thread().is_alive()) 


if __name__ == '__main__':
    t_list=[]
    for i in range(5):
        t = MyThread()
        t.start()
        t_list.append(t)
    while active_count() > 1:  
        print(enumerate())
     for i  in t_list:
        i.join() 

3、守护线程

守护线程，当一个子线程设置为守护线程时，该子线程会等待其他非守护子线程和主线程执行完成后，结束线程。

from threading import Thread, current_thread
import time


def bar():
    while True:
        time.sleep(1)
        print(current_thread().name)


def foo():
    print(f'{current_thread().name}开始了...')
    time.sleep(2)
    print(f'{current_thread().name}结束了...')


if __name__ == '__main__':
    t1 = Thread(target=bar)
    t1.daemon = True #将t1设置为守护线程，
    t1.start()
    t2 = Thread(target=foo)
    t2.start()

#执行结果
Thread-2开始了...
Thread-1
Thread-1
Thread-2结束了...

4.锁

在使用多线程爬虫的时候，有时候多个线程会对同一个文件进行读写。造成数据不安全，下面是一个Tencent招聘的例子，在写入excel文件中的时候，由于多个线程对同一个文件进行写入操作，造成数据不安全。

import requests
from jsonpath import jsonpath
from excle_wirte import ExcelUtils
from threading import Thread
import os
from multiprocessing import Lock
import threading

def get_content(url):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
        'referer': 'https://careers.tencent.com/search.html'
    }
    print(url)
    res = requests.get(url, headers=headers).json()
    jp = jsonpath(res, '$.*.Posts.*')
    return jp


def write_excel(filename, item_list, sheetname):
    if not os.path.exists(filename):
        ExcelUtils.write_to_excel(filename, item_list, sheetname)
    else:
        ExcelUtils.append_to_excel(filename, item_list)


def main(i, lock):
    base_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1585401795646&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=20&language=zh-cn&area=cn'
    content = get_content(base_url.format(i))
    with lock:   #加锁
        write_excel('tencent.xls', content, 'hr')


if __name__ == '__main__':
    lock = Lock()  #创建锁
    for i in range(1, 11):
        t = Thread(target=main, args=(i, lock))
        t.start()

5、生产者与消费者模型

生产者和消费者问题是线程模型中的经典问题：生产者和消费者在同一时间段内共用同一个存储空间，生产者往存储空间中添加产品，消费者从存储空间中取走产品，当存储空间为空时，消费者阻塞，当存储空间满时，生产者阻塞。

import requests
from jsonpath import jsonpath
from excle_wirte import ExcelUtils
from threading import Thread
import os
from multiprocessing import Lock
from queue import Queue

flag = False


def ger_url_list(num, url_queue):
    base_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1585401795646&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=20&language=zh-cn&area=cn'
    for i in range(1, num + 1):
        url_queue.put(base_url.format(i))


def producer(url_queue, content_queue):
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
        'referer': 'https://careers.tencent.com/search.html'
    }
    while True:
        try:
            url = url_queue.get_nowait()
            res = requests.get(url, headers=headers).json()
            jp = jsonpath(res, '$.*.Posts.*')
            content_queue.put(jp)
        except Exception as e:
            break


def consumer(content_queue, lock, filename, sheetname):
    while True:
        if content_queue.empty() and flag:
            break
        try:
            item_list = content_queue.get_nowait()
            with lock:
                if not os.path.exists(filename):
                    ExcelUtils.write_to_excel(filename, item_list, sheetname)
                else:
                    ExcelUtils.append_to_excel(filename, item_list)
        except Exception as e:
            pass


if __name__ == '__main__':
    p_t_list = []
    url_queue = Queue()   #存放url的队列
    content_queue = Queue()  #网页内容队列
    ger_url_list(10, url_queue)  #往url队列添加url
    lock = Lock() #创建锁对象
    for i in range(4): # 开启四个线程来抓取网页内容
        p_t = Thread(target=producer, args=(url_queue, content_queue))
        p_t.start()
        p_t_list.append(p_t)
    for i in range(4): #四个线程来解析内容和写入文件
        t = Thread(target=consumer, args=(content_queue, lock, 'tencent.xls', 'hr'))
        t.start()
    for i in p_t_list:
        i.join()
    flag=True #判断标志，用来判断生产者是否生产完毕。

6、多进程

多进程一般用于处理计算密集型任务，在爬虫方面用的较少，因为多进程开启数量依赖于CPU核心数，且多进程开启操作系统需要为每个进程分配资源，效率不高。这里只简单说明python中使用的库和使用方法，注意进程间不能之间进行数据交换，需要依赖于IPC(Inter-Process Communication)进程间通信，提供了各种进程间通信的方法进行数据交换），常用方法为 队列和管道和Socket。当然还有第三方工具，例如 RabbitMQ ， redis

from multiprocessing import Process
1、使用函数
t = Thread(
					target=进程执行的任务（方法）名字，
					args = 执行方法的参数，是一个元组
				)---创建进程
t.start()---启动进程

2、使用类
class MyProcess(Process)
	def __init__(self,参数)
		self.参数=参数
		super(Mythread,self).__init__()
	
	def run(self):
		将需要多任务执行的代码，添加到此处

if __name__ == '__main__':
    my =  MyProcess(参数)
    my.start()

三、池

1、什么是池？

池，包括线程池与进程池，一个池内，可以含有指定的线程数，或者是进程数，多个任务，从中拿取线程/进程执行任务，执行完成后，下一个任务再从池中拿取线程/进程。直到所有任务都执行完毕。

2、为什么使用池？

• 可以比较好的控制开启线程/线程的数量，在提升效率的同时又控制住资源开销。
• 可以指定回调函数，很方便的处理返回数据

3.池的简单使用，以进程池为例，线程池一样的操作。

from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor


def fun(i):
    return i ** 2


def pr(con):
    p = con.result()
    print(p)


if __name__ == '__main__':
    p_pool = ProcessPoolExecutor(max_workers=4)  #创建一个含有四个进程的池
    for i in range(10): #10个任务
        p = p_pool.submit(fun, i)  #任务提交
        p.add_done_callback(pr)  #指定回调函数
    p_pool.shutdown()#关闭池

4.池map方法使用，适合于简单参数

from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor


def fun(i):
    return i ** 2
   
if __name__ == '__main__':
    p_pool = ProcessPoolExecutor(max_workers=4)
    p = p_pool.map(fun, range(10))
    print(list(p)) #map方法返回的是一个生成器，可通过强转或者循环取值。

#执行结果
[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]