欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

爬虫学习之第四章爬虫进阶之多线程爬虫

程序员文章站 2022-07-11 11:23:35
多线程爬虫 有些时候,比如下载图片,因为下载图片是一个耗时的操作。如果采用之前那种同步的方式下载。那效率肯会特别慢。这时候我们就可以考虑使用多线程的方式来下载图片。 多线程介绍: 多线程是为了同步完成多项任务,通过提高资源使用效率来提高系统的效率。线程是在同一时间需要完成多项任务的时候实现的。最简单 ......

多线程爬虫

有些时候,比如下载图片,因为下载图片是一个耗时的操作。如果采用之前那种同步的方式下载。那效率肯会特别慢。这时候我们就可以考虑使用多线程的方式来下载图片。

多线程介绍:

多线程是为了同步完成多项任务,通过提高资源使用效率来提高系统的效率。线程是在同一时间需要完成多项任务的时候实现的。
最简单的比喻多线程就像火车的每一节车厢,而进程则是火车。车厢离开火车是无法跑动的,同理火车也可以有多节车厢。多线程的出现就是为了提高效率。同时它的出现也带来了一些问题。更多介绍请参考:https://baike.baidu.com/item/多线程/1190404?fr=aladdin

threading模块介绍:

threading模块是python中专门提供用来做多线程编程的模块。threading模块中最常用的类是thread。以下看一个简单的多线程程序:

import threading
import time

def coding():
    for x in range(3):
        print('%s正在写代码' % x)
        time.sleep(1)

def drawing():
    for x in range(3):
        print('%s正在画图' % x)
        time.sleep(1)


def single_thread():
    coding()
    drawing()

def multi_thread():
    t1 = threading.thread(target=coding)
    t2 = threading.thread(target=drawing)

    t1.start()
    t2.start()

if __name__ == '__main__':
    multi_thread()

 

查看线程数:

使用threading.enumerate()函数便可以看到当前线程的数量。

查看当前线程的名字:

使用threading.current_thread()可以看到当前线程的信息。

继承自threading.thread类:

为了让线程代码更好的封装。可以使用threading模块下的thread类,继承自这个类,然后实现run方法,线程就会自动运行run方法中的代码。示例代码如下:

import threading
import time

class codingthread(threading.thread):
    def run(self):
        for x in range(3):
            print('%s正在写代码' % threading.current_thread())
            time.sleep(1)

class drawingthread(threading.thread):
    def run(self):
        for x in range(3):
            print('%s正在画图' % threading.current_thread())
            time.sleep(1)

def multi_thread():
    t1 = codingthread()
    t2 = drawingthread()

    t1.start()
    t2.start()

if __name__ == '__main__':
    multi_thread()

 

多线程共享全局变量的问题:

多线程都是在同一个进程中运行的。因此在进程中的全局变量所有线程都是可共享的。这就造成了一个问题,因为线程执行的顺序是无序的。有可能会造成数据错误。比如以下代码:

import threading

tickets = 0

def get_ticket():
    global tickets
    for x in range(1000000):
        tickets += 1
    print('tickets:%d'%tickets)

def main():
    for x in range(2):
        t = threading.thread(target=get_ticket)
        t.start()

if __name__ == '__main__':
    main()

 

以上结果正常来讲应该是6,但是因为多线程运行的不确定性。因此最后的结果可能是随机的。

锁机制:

为了解决以上使用共享全局变量的问题。threading提供了一个lock类,这个类可以在某个线程访问某个变量的时候加锁,其他线程此时就不能进来,直到当前线程处理完后,把锁释放了,其他线程才能进来处理。示例代码如下:

import threading

value = 0

glock = threading.lock()

def add_value():
    global value
    glock.acquire()
    for x in range(1000000):
        value += 1
    glock.release()
    print('value:%d'%value)

def main():
    for x in range(2):
        t = threading.thread(target=add_value)
        t.start()

if __name__ == '__main__':
    main()

 

lock版本生产者和消费者模式:

生产者和消费者模式是多线程开发中经常见到的一种模式。生产者的线程专门用来生产一些数据,然后存放到一个中间的变量中。消费者再从这个中间的变量中取出数据进行消费。但是因为要使用中间变量,中间变量经常是一些全局变量,因此需要使用锁来保证数据完整性。以下是使用threading.lock锁实现的“生产者与消费者模式”的一个例子:

import threading
import random
import time

gmoney = 1000
glock = threading.lock()
# 记录生产者生产的次数,达到10次就不再生产
gtimes = 0

class producer(threading.thread):
    def run(self):
        global gmoney
        global glock
        global gtimes
        while true:
            money = random.randint(100, 1000)
            glock.acquire()
            # 如果已经达到10次了,就不再生产了
            if gtimes >= 10:
                glock.release()
                break
            gmoney += money
            print('%s当前存入%s元钱,剩余%s元钱' % (threading.current_thread(), money, gmoney))
            gtimes += 1
            time.sleep(0.5)
            glock.release()

class consumer(threading.thread):
    def run(self):
        global gmoney
        global glock
        global gtimes
        while true:
            money = random.randint(100, 500)
            glock.acquire()
            if gmoney > money:
                gmoney -= money
                print('%s当前取出%s元钱,剩余%s元钱' % (threading.current_thread(), money, gmoney))
                time.sleep(0.5)
            else:
                # 如果钱不够了,有可能是已经超过了次数,这时候就判断一下
                if gtimes >= 10:
                    glock.release()
                    break
                print("%s当前想取%s元钱,剩余%s元钱,不足!" % (threading.current_thread(),money,gmoney))
            glock.release()

def main():
    for x in range(5):
        consumer(name='消费者线程%d'%x).start()

    for x in range(5):
        producer(name='生产者线程%d'%x).start()

if __name__ == '__main__':
    main()

 

condition版的生产者与消费者模式:

lock版本的生产者与消费者模式可以正常的运行。但是存在一个不足,在消费者中,总是通过while true死循环并且上锁的方式去判断钱够不够。上锁是一个很耗费cpu资源的行为。因此这种方式不是最好的。还有一种更好的方式便是使用threading.condition来实现。threading.condition可以在没有数据的时候处于阻塞等待状态。一旦有合适的数据了,还可以使用notify相关的函数来通知其他处于等待状态的线程。这样就可以不用做一些无用的上锁和解锁的操作。可以提高程序的性能。首先对threading.condition相关的函数做个介绍,threading.condition类似threading.lock,可以在修改全局数据的时候进行上锁,也可以在修改完毕后进行解锁。以下将一些常用的函数做个简单的介绍:

  1. acquire:上锁。
  2. release:解锁。
  3. wait:将当前线程处于等待状态,并且会释放锁。可以被其他线程使用notifynotify_all函数唤醒。被唤醒后会继续等待上锁,上锁后继续执行下面的代码。
  4. notify:通知某个正在等待的线程,默认是第1个等待的线程。
  5. notify_all:通知所有正在等待的线程。notifynotify_all不会释放锁。并且需要在release之前调用。

condition版的生产者与消费者模式代码如下:

import threading
import random
import time

gmoney = 1000
gcondition = threading.condition()
gtimes = 0
gtotaltimes = 5

class producer(threading.thread):
    def run(self):
        global gmoney
        global gcondition
        global gtimes
        while true:
            money = random.randint(100, 1000)
            gcondition.acquire()
            if gtimes >= gtotaltimes:
                gcondition.release()
                print('当前生产者总共生产了%s次'%gtimes)
                break
            gmoney += money
            print('%s当前存入%s元钱,剩余%s元钱' % (threading.current_thread(), money, gmoney))
            gtimes += 1
            time.sleep(0.5)
            gcondition.notify_all()
            gcondition.release()

class consumer(threading.thread):
    def run(self):
        global gmoney
        global gcondition
        while true:
            money = random.randint(100, 500)
            gcondition.acquire()
            # 这里要给个while循环判断,因为等轮到这个线程的时候
            # 条件有可能又不满足了
            while gmoney < money:
                if gtimes >= gtotaltimes:
                    gcondition.release()
                    return
                print('%s准备取%s元钱,剩余%s元钱,不足!'%(threading.current_thread(),money,gmoney))
                gcondition.wait()
            gmoney -= money
            print('%s当前取出%s元钱,剩余%s元钱' % (threading.current_thread(), money, gmoney))
            time.sleep(0.5)
            gcondition.release()

def main():
    for x in range(5):
        consumer(name='消费者线程%d'%x).start()

    for x in range(2):
        producer(name='生产者线程%d'%x).start()

if __name__ == '__main__':
    main()

 

queue线程安全队列:

在线程中,访问一些全局变量,加锁是一个经常的过程。如果你是想把一些数据存储到某个队列中,那么python内置了一个线程安全的模块叫做queue模块。python中的queue模块中提供了同步的、线程安全的队列类,包括fifo(先进先出)队列queue,lifo(后入先出)队列lifoqueue。这些队列都实现了锁原语(可以理解为原子操作,即要么不做,要么都做完),能够在多线程中直接使用。可以使用队列来实现线程间的同步。相关的函数如下:

  1. 初始化queue(maxsize):创建一个先进先出的队列。
  2. qsize():返回队列的大小。
  3. empty():判断队列是否为空。
  4. full():判断队列是否满了。
  5. get():从队列中取最后一个数据。
  6. put():将一个数据放到队列中。

使用生产者与消费者模式多线程下载表情包:

import threading
import requests
from lxml import etree
from urllib import request
import os
import re
from queue import queue

class producer(threading.thread):
    headers = {
        'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36'
    }
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(producer, self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue


    def run(self):
        while true:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            self.parse_page(url)

    def parse_page(self,url):
        response = requests.get(url,headers=self.headers)
        text = response.text
        html = etree.html(text)
        imgs = html.xpath("//div[@class='page-content text-center']//a//img")
        for img in imgs:
            if img.get('class') == 'gif':
                continue
            img_url = img.xpath(".//@data-original")[0]
            suffix = os.path.splitext(img_url)[1]
            alt = img.xpath(".//@alt")[0]
            alt = re.sub(r'[,。??,/\\·]','',alt)
            img_name = alt + suffix
            self.img_queue.put((img_url,img_name))

class consumer(threading.thread):
    def __init__(self,page_queue,img_queue,*args,**kwargs):
        super(consumer, self).__init__(*args,**kwargs)
        self.page_queue = page_queue
        self.img_queue = img_queue

    def run(self):
        while true:
            if self.img_queue.empty():
                if self.page_queue.empty():
                    return
            img = self.img_queue.get(block=true)
            url,filename = img
            request.urlretrieve(url,'images/'+filename)
            print(filename+'  下载完成!')

def main():
    page_queue = queue(100)
    img_queue = queue(500)
    for x in range(1,101):
        url = "http://www.doutula.com/photo/list/?page=%d" % x
        page_queue.put(url)

    for x in range(5):
        t = producer(page_queue,img_queue)
        t.start()

    for x in range(5):
        t = consumer(page_queue,img_queue)
        t.start()

if __name__ == '__main__':
    main()

 

gil全局解释器锁:

python自带的解释器是cpythoncpython解释器的多线程实际上是一个假的多线程(在多核cpu中,只能利用一核,不能利用多核)。同一时刻只有一个线程在执行,为了保证同一时刻只有一个线程在执行,在cpython解释器中有一个东西叫做gil(global intepreter lock),叫做全局解释器锁。这个解释器锁是有必要的。因为cpython解释器的内存管理不是线程安全的。当然除了cpython解释器,还有其他的解释器,有些解释器是没有gil锁的,见下面:

  1. jython:用java实现的python解释器。不存在gil锁。更多详情请见:https://zh.wikipedia.org/wiki/jython
  2. ironpython:用.net实现的python解释器。不存在gil锁。更多详情请见:https://zh.wikipedia.org/wiki/ironpython
  3. pypy:用python实现的python解释器。存在gil锁。更多详情请见:https://zh.wikipedia.org/wiki/pypy
    gil虽然是一个假的多线程。但是在处理一些io操作(比如文件读写和网络请求)还是可以在很大程度上提高效率的。在io操作上建议使用多线程提高效率。在一些cpu计算操作上不建议使用多线程,而建议使用多进程。

多线程下载百思不得姐段子作业:

import requests
from lxml import etree
import threading
from queue import queue
import csv


class bsspider(threading.thread):
    headers = {
        'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36'
    }
    def __init__(self,page_queue,joke_queue,*args,**kwargs):
        super(bsspider, self).__init__(*args,**kwargs)
        self.base_domain = 'http://www.budejie.com'
        self.page_queue = page_queue
        self.joke_queue = joke_queue

    def run(self):
        while true:
            if self.page_queue.empty():
                break
            url = self.page_queue.get()
            response = requests.get(url, headers=self.headers)
            text = response.text
            html = etree.html(text)
            descs = html.xpath("//div[@class='j-r-list-c-desc']")
            for desc in descs:
                jokes = desc.xpath(".//text()")
                joke = "\n".join(jokes).strip()
                link = self.base_domain+desc.xpath(".//a/@href")[0]
                self.joke_queue.put((joke,link))
            print('='*30+"第%s页下载完成!"%url.split('/')[-1]+"="*30)

class bswriter(threading.thread):
    headers = {
        'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.94 safari/537.36'
    }

    def __init__(self, joke_queue, writer,glock, *args, **kwargs):
        super(bswriter, self).__init__(*args, **kwargs)
        self.joke_queue = joke_queue
        self.writer = writer
        self.lock = glock

    def run(self):
        while true:
            try:
                joke_info = self.joke_queue.get(timeout=40)
                joke,link = joke_info
                self.lock.acquire()
                self.writer.writerow((joke,link))
                self.lock.release()
                print('保存一条')
            except:
                break

def main():
    page_queue = queue(10)
    joke_queue = queue(500)
    glock = threading.lock()
    fp = open('bsbdj.csv', 'a',newline='', encoding='utf-8')
    writer = csv.writer(fp)
    writer.writerow(('content', 'link'))

    for x in range(1,11):
        url = 'http://www.budejie.com/text/%d' % x
        page_queue.put(url)

    for x in range(5):
        t = bsspider(page_queue,joke_queue)
        t.start()

    for x in range(5):
        t = bswriter(joke_queue,writer,glock)
        t.start()

if __name__ == '__main__':
    main()