最近在写多线程爬虫,遇到一个场景,爬虫需要一个入口url然后爬取更多的url。为了线程安全,我使用了queue队列。这里我把问题归纳为生产者消费者问题,多线程爬虫就是多个消费者,生成者负责把爬虫爬取的新的url放到队列中。
在这个过程中,生产者要一直关注消费者新产出的url,然后放到队列中供消费者使用(这么看起来这个生产者有点黑),所以这里要用一个死循环,让生产者一直关注新的url产生情况。
多个消费者同样也要一直关注队列,一旦有新的url产生,就买买买!!!所以这里也需要一个死循环。
那么问题来了,我们的市场是有限的(一个网站的url是有限的,总会被爬完),当所有的url被爬完后,我们的生产者和消费者还在死循环中,那么什么时候才能结束这两个死循环呢?
这个时候我们就要站的更高一点来看了,这个生产者消费者模型中,我们还能看到组织这次活动的主线程,主线程组织了这场活动,看到生产者和消费者们参加了活动就撒手不管了直接回家了。这样主线程就太悠闲了,我们可以在活动未完成之前阻塞主线程,不让他走,让他监控整个活动现场,一旦发现活动结束了就让他收场子了,这样生产者消费者就可以被迫下班,结束死循环。
task_done()、join()
task_done():每当消费者get()一次,无论消费者是否从队列中获取到东西,都会产生一个任务。当消费者完成这个任务后需要调用task_done()来告诉队列这个任务已经完成了。
这个任务是相对于队列queue来说的,而调用queue的就是主线程,所以我们可以理解为是主线程发布的任务
join():join()函数放到的地方后面的代码就会被阻塞,直到队列中所有的元素都被接收和处理完毕才会执行后面的代码。就是队列中既没有任务也没有元素时,就会取消阻塞。
关系:如果线程里每从队列里get()一次,但没有执行task_done(),则join无法判断队列到底有没有结束,在最后执行join()是等不到结果的,会一直挂起。
————————————————
在网上大多关于join()与task_done()的结束原话是这样的:
Queue.task_done() 在完成一项工作之后,Queue.task_done()函数向任务已经完成的队列发送一个信号
Queue.join() 实际上意味着等到队列为空,再执行别的操作
但是可能很多人还是不太理解,这里以我自己的理解来阐述这两者的关联。
理解
如果线程里每从队列里取一次,但没有执行task_done(),则join无法判断队列到底有没有结束,在最后执行个join()是等不到结果的,会一直挂起。
可以理解为,每task_done一次 就从队列里删掉一个元素,这样在最后join的时候根据队列长度是否为零来判断队列是否结束,从而执行主线程。
下面看个自己写的例子:
下面这个例子,会在join()的地方无限挂起,因为join在等队列清空,但是由于没有task_done,它认为队列还没有清空,还在一直等。
import threading
import queue
from time import sleep
# 之所以为什么要用线程,因为线程可以start后继续执行后面的主线程,可以put数据,如果不是线程直接在get阻塞。
class Mythread(threading.Thread):
def __init__(self, que):
threading.Thread.__init__(self)
self.queue = que
def run(self):
while True:
sleep(1)
if self.queue.empty():
# 判断放到get前面,这样可以,否则队列最后一个取完后就空了,直接break,走不到print
break
item = self.queue.get()
print(item, '...')
self.queue.task_done()
"""
如果把self.queue.task_done() 注释去掉,就会顺利执行完主程序。
这就是“Queue.task_done()函数向任务已经完成的队列发送一个信号”这句话的意义,能够让join()函数能判断出队列还剩多少,是否清空了。
"""
return
myque = queue.Queue()
tasks = [Mythread(myque) for x in range(2)] # 2个线程
# print(tasks)
for x in range(10):
myque.put(x) # 快速生产
for x in tasks:
t = Mythread(myque) # 把同一个队列传入2个线程
t.start()
myque.join()
print("---finish---")
如果把self.queue.task_done() 注释去掉,就会顺利执行完主程序。
这就是“Queue.task_done()函数向任务已经完成的队列发送一个信号”这句话的意义,能够让join()函数能判断出队列还剩多少,是否清空了。
而事实上我们看下queue的源码可以看出确实是执行一次未完成队列减一:
def task_done(self):
'''Indicate that a formerly enqueued task is complete.
Used by Queue consumer threads. For each get() used to fetch a task,
a subsequent call to task_done() tells the queue that the processing
on the task is complete.
If a join() is currently blocking, it will resume when all items
have been processed (meaning that a task_done() call was received
for every item that had been put() into the queue).
Raises a ValueError if called more times than there were items
placed in the queue.
'''
with self.all_tasks_done:
unfinished = self.unfinished_tasks - 1
if unfinished <= 0:
if unfinished < 0:
raise ValueError('task_done() called too many times')
self.all_tasks_done.notify_all()
self.unfinished_tasks = unfinished
快速生产-慢速消费
上面的演示代码是快速生产-慢速消费的场景,我们可以直接用task_done()与join()配合,来让empty()判断出队列是否已经结束。 当然,queue我们可以正确判断是否已经清空,但是线程里的get队列是不知道,如果没有东西告诉它,队列空了,因此get还会继续阻塞,那么我们就需要在get程序中加一个判断,如果empty()成立,break退出循环,否则get()还是会一直阻塞。
慢速生产-快速消费
但是如果生产者速度与消费者速度相当,或者生产速度小于消费速度,则靠task_done()来实现队列减一则不靠谱,队列会时常处于供不应求的状态,常为empty,所以用empty来判断则不靠谱。 那么这种情况会导致 join可以判断出队列结束了,但是线程里不能依靠empty()来判断线程是否可以结束。 我们可以在消费队列的每个线程最后塞入一个特定的“标记”,在消费的时候判断,如果get到了这么一个“标记”,则可以判定队列结束了,因为生产队列都结束了,也不会再新增了。 代码如下:
import threading
import queue
from time import sleep
# 之所以为什么要用线程,因为线程可以start后继续执行后面的主线程,可以put数据,如果不是线程直接在get阻塞。
class Mythread(threading.Thread):
def __init__(self, que):
threading.Thread.__init__(self)
self.queue = que
def run(self):
while True:
item = self.queue.get()
self.queue.task_done()
"""
#这里要放到判断前,否则取最后最后一个的时候已经为空,直接break,task_done执行不了,join()判断队列一直没结束
"""
if item == None:
break
print(item, '...')
return
myque = queue.Queue()
tasks = [Mythread(myque) for x in range(2)] # 2个线程
# print(tasks)
for x in tasks:
t = Mythread(myque) # 把同一个队列传入2个线程
t.start()
for x in range(10): # 慢速生产
sleep(2)
myque.put(x)
for x in tasks: # 快速消费
myque.put(None) # 结束标志
myque.join()
print("---finish---")
注意点:
put队列完成的时候千万不能用task_done(),否则会报错:
task_done() called too many times
因为该方法仅仅表示get成功后,执行的一个标记。
参考:
理解Queue队列中join()与task_done()的关系 | 漏洞人生https://www.vuln.cn/8610Queue队列中join()与task_done()的作用_jelly-CSDN博客0x00 前言最近在写多线程爬虫,遇到一个场景,爬虫需要一个入口url然后爬取更多的url。为了线程安全,我使用了queue队列。这里我把问题归纳为生产者消费者问题,多线程爬虫就是多个消费者,生成者负责把爬虫爬取的新的url放到队列中。在这个过程中,生产者要一直关注消费者新产出的url,然后放到队列中供消费者使用(这么看起来这个生产者有点黑),所以这里要用一个死循环,让生产者一直关注新的url产生情况。多个消费者同样也要一直关注队列,一旦有新的url产生,就买买买!!!所以这里也需要一个死循环。那么
https://blog.csdn.net/xy_sunny/article/details/115210693