最近博主手上有一個爬蟲項目,開始深入研究python爬蟲開發,這是我篇博客也相當於是我的學習筆記,我認爲學習爬蟲第一步,先學習python多線程與多進程,熟悉網絡編程,接下來會陸續以博客的方式跟大家做分享。
多進程
Python實現多進程的方式主要有兩種,一種方法是使用os模塊中的fork方法,另一種方法是使用 multiprocessing模塊。這兩種方法的區別在於前者僅適用於 Unix/Linux操作系統,對 Windows不支持,後者則是跨平臺的實現方式,目前爬蟲程序多數是運行在Unix/Linux操作系統上
一、使用os模塊的fork方式實現線程
fork方法調用一次,返回兩次(操作系統會將當前進程(父進程)複製出一份子線程,這兩個線程幾乎完全相同,其中子線程永遠返回0,父線程返回的是子線程的ID)
import os
# getpid()獲取當前線程的ID,getppid()獲取父線程的ID
if __name__ == "__main__":
print('當前進程是(%s)' % (os.getpid()))
pid = os.fork()
if pid < 0:
print('error in fork')
elif pid == 0:
print('我是子線程(%s),我的父線程是(%s)', (os.getpid(), os.getppid))
else:
print('我(%s)創建了一個子線程(%s).', (os.getpid(), pid))
二、使用multiprocessing模塊創建多線程
multiprocessing模塊提供Process類來描述一個進程對象。創建子進程時,只需要傳入一個執行函數和函數的參數,即可完成一個 Process實例的創建,用start()方法啓動進程用 join()方法實現進程間的同步。
import os
from multiprocessing import Process
def run_proc(name):
print('Child process %s (%s) Running...' % (name, os.getpid()))
if __name__ == '__main__':
print('Parent process %s.' % os.getpid())
for i in range(5):
p = Process(target=run_proc, args=(str(i),))
print('Process will start.')
p.start()
p.join()
print('Process end.')
三、multiprocessing模塊提供了一個Pool類來代表進程池對象
Pool可以提供指定數量的進程供用戶調用,默認大小是CPU的核數。當有新的請求提交到Pool中時,如果池還沒有滿,那麼就會創建一個新的進程用來執行該請求;但如果池中的進程數已經達到規定最大值,那麼該請求就會等待,直到池中有進程結束,纔會創建新的進程來處理它。下面通過一個例子來演示進程池的工作流程,代碼如下
import os,time,random
from multiprocessing import Pool
def run_task(name):
print('Task %s (pid = %s) is running...' % (name,os.getpid()))
time.sleep(random.random()*3)
print('Task %s is end.' % name)
if __name__ == '__main__':
print('Current process is %s.' % os.getpid())
p = Pool(processes=3)
for i in range(5):
p.apply_async(run_task, args=(i,))
print('waiting for all subprocesses done...')
p.close()
p.join()
print('All subprocesses done.')
Pool對象調用 join()方法會等待所有子進程執行完畢,調用join()之前必須先調用close(),調用 close()之後就不能繼續添加新的 Process了
四、進程間通信
Python提供了多種進程的通信方式,例如Queue、Pipe、Value+Array等
Pipe常用來兩個進程之間的通信,Queue用來在多個進程之間實現通信
1.Queue實現:
from multiprocessing import Process,Queue
import os,time,random
# 寫數據進程執行的代碼:
def proc_write(p, urls):
print('Process(%s)is writing,,,' % os.getpid())
for url in urls:
p.put(url)
print('Put %s to queue...' % url)
time.sleep(random.random())
# 讀數據進程執行的代碼:
def proc_read(q):
print('Process (%s) is reading...' % os.getpid())
while True:
url = q.get(True)
print('Get %s from queue.' % url)
if __name__ == '__main__':
# 父進程創建Queue,並傳給各個子線程
q = Queue()
proc_write1 = Process(target=proc_write, args=(q,['url_1', 'url_2', 'url_3']))
proc_write2 = Process(target=proc_write, args=(q, ['url_4', 'url_5', 'url_6']))
proc_reader = Process(target=proc_read, args=(q,))
# 啓動子線程 proc_writer,寫入:
proc_write1.start()
proc_write2.start()
# 啓動子線程 proc_reader,讀取:
proc_reader.start()
# 等待proc_writer結束:
proc_write1.join()
proc_write2.join()
# proc_reader進程裏是死循環,無法等待結束,只能強行終止:
proc_reader.terminate()
2.Pipe實現:
Pipe方法返回(conn1,conn2)代表一個管道的兩個端。Pipe方法有 duplex參數,如果duplex參數爲True(默認值),那麼這個管道是全雙工模式,也就是說 conn1和conn2均可收發。若 duplex爲 False, conn1只負責接收消息,conn2只負責發送消息。send和recv方法分別是發送和接收消息的方法。例如,在全雙工模式下,可以調用 conn. send發送消息conn.recv接收消息。如果沒有消息可接收,recv方法會一直阻塞。如果管道已經被關閉,那麼recv方法會拋出 EOFError
import multiprocessing
import os,time,random
def proc_send(pipe, urls):
for url in urls:
print('Process(%s) send:%s' % (os.getpid(), url))
pipe.send(url)
time.sleep(random.random())
def proc_recv(pipe):
while True:
print('Process(%s) recv:%s' % (os.getpid(),pipe.recv()))
time.sleep(random.random())
if __name__ == '__main__':
# 調用Pipe()方法,返回兩個conn
pipe = multiprocessing.Pipe()
p1 = multiprocessing.Process(target=proc_send, args=(pipe[0], ['url_'+str(i) for i in range(10)]))
p2 = multiprocessing.Process(target=proc_recv, args=(pipe[1],))
p1.start()
p2.start()
p1.join()
p2.join()
多線程
Python的標準庫提供了兩個模塊:thread和 threading, thread是低級模塊, threading是高級模塊,對 thread進行了封裝。絕大多數情況下,我們只需要使用 threading這個高級模塊。
一、用threading模塊創建多線程
threading模塊一般通過兩種方式創建多線程:第一種方式是把一個函數傳人並創建Thread實例,然後調用 start方法開始執行,代碼如下:
import random
import time, threading
# 新線程執行的代碼
def thread_run(urls):
print('Current %s is running ...' % threading.current_thread().name)
for url in urls:
print('%s --->>> %s' % (threading.current_thread().name, url))
time.sleep(random.random())
print('%s ended.' % threading.current_thread().name)
print('%s is running...' % threading.current_thread().name)
t1 = threading.Thread(target=thread_run, name='Thread_1', args=(['url_1', 'url_2', 'url_3'],))
t2 = threading.Thread(target=thread_run, name='Thread_2', args=(['url_4', 'url_5', 'url_6'],))
t1.start()
t2.start()
t1.join()
t2.join()
print('%s ended.' % threading.current_thread().name)
第二種方式是直接從 threading.Thread繼承並創建線程類,然後重寫init方法和run方法。
代碼如下:
import random
import threading
import time
class myThread(threading.Thread):
def __init__(self, name, urls):
threading.Thread.__init__(self, name=name)
self.urls = urls
def run(self):
print('Current %s is running ...' % threading.current_thread().name)
for url in self.urls:
print('%s --->>> %s' % (threading.current_thread().name, url))
time.sleep(random.random())
print('%s ended ...' % threading.current_thread().name)
print('%s is running...' % threading.current_thread().name)
t1 = myThread(name='Thread_1', urls=['url_1', 'url_2', 'url_3'])
t2 = myThread(name='Thread_2', urls=['url_4', 'url_5', 'url_6'])
t1.start()
t2.start()
t1.join()
t2.join()
print('%s ended.' % threading.current_thread().name)
二、線程同步
爲了保證數據的正確性,需要對多個線程進行同步,這需要調用Thread的Lock和RLock對象
這兩個對象都有 acquire方法和 release方法,對於那些每次只允許一個線程操作的數據,可以將其操作放到 acquire和 release方法之間。
對於Lock對象而言,如果一個線程連續兩次進行 acquire操作,那麼由於之後沒有 release,第二次 acquire將掛起線程。這會導致Lock對象永遠不會 release,使得線程死鎖。 RLock對象允許一個線程多次對其進行 acquire操作,因爲在其內部通過一個 counter變量維護着線程 acquire的次數。而且每一次的 acquire操作必須有一個 release操作與之對應在所有的 release操作完成之後,別的線程才能申請該RLock對象。線程同步演示代碼如下:
import threading
mylock = threading.RLock()
num = 0
class myThread(threading.Thread):
def __init__(self, name):
threading.Thread.__init__(self, name=name)
def run(self):
global num
while True:
mylock.acquire()
print('%s locked,Number:%d' % (threading.current_thread().name, num))
if num >= 4:
mylock.release()
print('%s released,Number:%d' % (threading.current_thread().name, num))
break
num += 1
print('%s released,Number:%d' % (threading.current_thread().name, num))
mylock.release()
if __name__ == '__main__':
thread1 = myThread('Thread1')
thread2 = myThread('Thread2')
thread1.start()
thread2.start()