Python爬蟲4.1 — threading[多線程]用法教程
綜述
本系列文檔用於對Python爬蟲技術的學習進行簡單的教程講解,鞏固自己技術知識的同時,萬一一不小心又正好對你有用那就更好了。
Python 版本是3.7.4
前面的文章記錄了網絡請求(urllib,requests)、數據提取(beautiful,xpath,正則)、數據存儲(json,csv)的學習,下面進行一個多線程的學習。
多線程爬蟲
有些時候,比如下載圖片,因爲下載圖片是一個耗時的操作,如果採用之前那種同步的方式下載,那效率會特別慢。這時候我們就可以考慮使用多線程的方式來下載圖片。
多線程介紹
多線程是爲了同步完成多項任務,通過提高資源使用來提高系統的效率,線程是在同一時間需要完成多項任務的時候是西納的,最簡單的比喻多線程就像火車的每一節車廂,二進程就是火車。車廂離開火車是無法跑動的,同理火車可以有多節車廂,多線程的出現是爲了提高效率,同時他的出現也帶來一些問題。
簡單來講,多線程就相當於你原來開了一個窗口爬取,限制開了十個窗口來爬取。
threading模塊介紹
threading
模塊是Python中專門提供用來做多線程的模塊。threading
模塊中最常用的類是Thread
。下面一個簡單的多線程程序:
# 引入所需庫
import threading
import time
def coding():
"""
coding函數
:return:
"""
for x in range(5):
print('%s 號程序員正則寫代碼...' % x)
time.sleep(1)
def drawing():
"""
drawing函數
:return:
"""
for x in range(5):
print('%s 號設計師正在設計圖片...' % x)
time.sleep(1)
def single_thread():
"""
單線程執行
:return:
"""
coding()
drawing()
def multi_thread():
"""
多線程執行
:return:
"""
# 創建線程
# 注意:target參數是函數名,不能帶括號
t1 = threading.Thread(target=coding, name='coding')
t2 = threading.Thread(target=drawing, name='drawing')
# 啓動線程
t1.start()
t2.start()
if __name__ == '__main__':
# single_thread()
multi_thread()
查看線程數:
num = threading.enumerate()
print(num)
查看當前進程名字:
threading.current_thread()
Thread類的使用
爲了讓線程代碼更好的封裝,可以使用threading
模塊下的Thread
類,繼承自這個類,然後實現run()
方法,線程就會自動運行run()
方法中的代碼,示例代碼如下:
# 引入所需庫
import threading
import time
class CodingThread(threading.Thread):
"""
寫程序進程類
"""
def run(self):
for x in range(5):
print('%s 號程序員正則寫代碼...' % threading.current_thread())
time.sleep(1)
class DrawingThread(threading.Thread):
"""
設計進程類
"""
def run(self):
for x in range(5):
print('%s 號設計師正在設計圖片...' % threading.current_thread())
time.sleep(1)
def multi_thread():
t1 = CodingThread()
t2 = DrawingThread()
t1.start()
t2.start()
if __name__ == '__main__':
multi_thread()
多線程共享全局變量問題
多線程都是在同一個進程中運行的,因此在進程中的全局變量所有的線程都是可以共享的。這就造就了一個問題,因爲線程執行的順序是無序的,有可能會造成數據錯誤。例如如下代碼:
# 引入threading庫
import threading
# 定義全局變量
VALUE = 0
def add_value():
"""
增加數值
:return:
"""
global VALUE
for x in range(1000000):
VALUE += 1
print(VALUE)
def main():
for x in range(2):
t = threading.Thread(target=add_value)
t.start()
if __name__ == '__main__':
main()
以上的代碼結果正常來講應該是:
1000000
2000000
但是由於多線程運行的不確定性,因此結果可能是隨機的。
鎖機制
爲了解決上述問題由於多線程運行的不確定性,threading
庫增加了Lock類
鎖機制進行處理,當某個線程對全局變量進行修改時則將此變量加鎖
不允許其他線程進行修改,知道當前線程修改完這個變量之後再進行解鎖
釋放,之後其他線程纔可進行修改,這就保證了數據的安全性。修改上述代碼如下:
# 引入threading庫
import threading
# 定義全局變量
VALUE = 0
# 創建鎖
gLock = threading.Lock()
def add_value():
"""
增加數值
:return:
"""
global VALUE
# 加鎖
gLock.acquire()
for x in range(1000000):
VALUE += 1
# 解鎖
gLock.release()
print(VALUE)
def main():
for x in range(2):
t = threading.Thread(target=add_value)
t.start()
if __name__ == '__main__':
main()
Lock版生產者和消費者模式
生產者和消費者模式時多線程開發中的經常見到的一種模式。生產者的線程專門用來生產一些數據,然後存放到一箇中間的變量中。消費者再從這個中間的變量中取出數據進行消費,但是因爲要使用中間變量,中間變量經常是一些全局變量,因此需要使用鎖來保證數據的完整性。以下是使用threading.Lock()
鎖實現“生產者與消費者模式”的一個例子:
# 引入所需庫
import random
import threading
import time
gMoney = 1000
gTimes = 0
# 定義鎖
gLock = threading.Lock()
class Producer(threading.Thread):
"""
生產者
"""
def run(self):
global gMoney
global gTimes
while True:
money = random.randint(100, 1000)
gLock.acquire()
# 僅允許生產10次
if gTimes >= 10:
gLock.release()
break
gMoney += money
print('%s生產了%d元錢,剩餘%d元錢' % (threading.current_thread(), money, gMoney))
gTimes += 1
gLock.release()
time.sleep(0.5)
class Consumer(threading.Thread):
"""
消費者
"""
def run(self):
global gMoney
while True:
money = random.randint(100, 1000)
gLock.acquire()
if gMoney >= money:
gMoney -= money
print('%s消費了%d元錢,剩餘%d元錢' % (threading.current_thread(), money, gMoney))
else:
if gTimes >= 10:
gLock.release()
break
print("%s消費者消費錢不夠,不消費" % threading.current_thread())
gLock.release()
time.sleep(0.5)
def main():
# 定義三個消費者
for x in range(3):
t = Consumer(name='消費者線程%d' % x)
t.start()
# 定義五個生產者
for x in range(5):
t = Producer(name='生產者線程%d' % x)
t.start()
if __name__ == '__main__':
main()
Condition版生產者與消費者模式
Lock()
版的生產者與消費者模式可以正常的運行,但是存在一個不足,在消費者中,總是通過while True
死循環並且上鎖的方法去判斷錢夠不夠,上鎖是一個很好CPU資源的行爲。因此這種方式不是最好的,還有一種更好的方式便是使用threading.Condition
來實現。
threading.Condition
可以在沒有數據的時候處於阻塞等等狀態。一旦有合適的數據了,還可以使用notify
相關的函數來通知其他處於等待狀態的線程,這樣就可以不用做一些無用的上鎖和解鎖的操作,可以提高程序的性能。
首先對threading.Condition
相關的函數做個介紹,threading.Condition
類似threading.Lock
,可以在修改全部數據的時候進行上鎖,也可以在修改完畢後進行解鎖。以下將一些常用的函數做個簡單的介紹:
acquire
: 上鎖release
: 解鎖wait
: 將當前線程處於等待狀態,並且會釋放鎖。可以被其他線程使用notify
和notify_all
函數喚醒,被喚醒後會繼續等待上鎖,上鎖後繼續執行後續的代碼notify
: 通知某個正在等待的線程,默認是第1個等待的線程notify_all
: 通知所有正在等待的線程。notify
和notify_all
不會釋放鎖,並且需要在release
之前掉用
Condition
版生產者與消費者模式示例代碼如下:
# 引入所需庫
import random
import threading
import time
gMoney = 1000
gTimes = 0
# 定義Condition
gCondition = threading.Condition()
class Producer(threading.Thread):
"""
生產者
"""
def run(self):
global gMoney
global gTimes
while True:
money = random.randint(100, 1000)
gCondition.acquire()
# 僅允許生產10次
if gTimes >= 10:
gCondition.release()
break
gMoney += money
print('%s生產了%d元錢,剩餘%d元錢' % (threading.current_thread(), money, gMoney))
gTimes += 1
gCondition.notify_all()
gCondition.release()
time.sleep(0.5)
class Consumer(threading.Thread):
"""
消費者
"""
def run(self):
global gMoney
while True:
money = random.randint(100, 1000)
gCondition.acquire()
while gMoney < money:
if gTimes >= 10:
gCondition.release()
return
print("%s消費者消費錢不夠,不消費" % threading.current_thread())
gCondition.wait()
gMoney -= money
print('%s消費了%d元錢,剩餘%d元錢' % (threading.current_thread(), money, gMoney))
gCondition.release()
time.sleep(0.5)
def main():
# 定義三個消費者
for x in range(3):
t = Consumer(name='消費者線程%d' % x)
t.start()
# 定義五個生產者
for x in range(5):
t = Producer(name='生產者線程%d' % x)
t.start()
if __name__ == '__main__':
main()
Queue線程安全隊列
在線程中,訪問一些全局變量,加鎖是一個經常的過程,如果你想把一些數據存儲到莫格隊列中,那麼Python內置了一個線程安全的模塊叫queue
模塊。Python中的queue
模塊中提供了同步的、線程安全的對咧咧,包括FIFO(先進先出)隊列Queue,LIFO(後入先出)隊列LifoQueue。這些隊列都實現了所原理(可以理解爲原子操作,即要麼不做,要麼都做完),能夠在多線程中直接使用。可以使用隊列來實現線程間的同步,相關函數如下:
- 初始化
Queue(maxsize)
: 創建一個先進先出的隊列 qsize()
: 返回隊列的大小empty()
: 判斷隊列是否爲空full()
: 判斷隊列是否已滿get()
: 從隊列中獲取最後一個數據put()
: 將一個數據放到隊列中
使用代碼示例:
# 引入所需庫
import threading
import time
from queue import Queue
def set_value(q):
"""
寫入隊列
:param q:
:return:
"""
index = 1
while True:
q.put(index)
index += 1
time.sleep(3)
def get_value(q):
"""
從隊列取值
:param q:
:return:
"""
while True:
print(q.get())
# time.sleep(4)
# print("qsize:", q.qsize())
def main():
"""
主函數
:return:
"""
q = Queue(5)
t1 = threading.Thread(target=set_value, args=[q])
t2 = threading.Thread(target=get_value, args=[q])
t1.start()
t2.start()
if __name__ == '__main__':
main()
使用實例
單線程爬取表情包,實例代碼如下:
# 引入所需庫
import os
import re
import requests
from lxml import etree
def parse_page(url):
"""
請求 解析 下載
:param url:
:return:
"""
# 聲明定義請求頭
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
}
req = requests.get(url=url, headers=headers)
html = req.text
tree = etree.HTML(html)
imgs = tree.xpath('//div[@class="page-content text-center"]//img[@class!="gif"]')
for img in imgs:
img_url = img.get('data-original')
alt = img.get('alt')
alt = re.sub(r'[\??\..,!!]]', '', alt)
suffix = os.path.splitext(img_url)[1]
file_name = alt + suffix
req_img = requests.get(url=img_url, headers=headers)
with open('images/' + file_name, 'wb') as fp:
fp.write(req_img.content)
print(file_name)
def main():
"""
主函數
:return:
"""
for x in range(1, 101):
print("第%d頁開始下載..." % x)
url = 'http://www.doutula.com/photo/list/?page=%d' % x
parse_page(url)
print("第%d頁結束下載..." % x)
if __name__ == '__main__':
main()
多線程爬取表情包,實例代碼如下:
# 引入所需庫
import os
import re
import threading
from queue import Queue
import requests
from lxml import etree
class Producer(threading.Thread):
"""
生產者 - 手機表情包圖片地址
"""
def __init__(self, page_queue, img_queue):
super(Producer, self).__init__()
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):
"""
請求 解析 下載
:param url:
:return:
"""
# 聲明定義請求頭
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
}
req = requests.get(url=url, headers=headers)
html = req.text
tree = etree.HTML(html)
imgs = tree.xpath('//div[@class="page-content text-center"]//img[@class!="gif"]')
for img in imgs:
img_url = img.get('data-original')
alt = img.get('alt')
alt = re.sub(r'[\??\..,!!\*]]', '', alt)
suffix = os.path.splitext(img_url)[1]
file_name = alt + suffix
self.img_queue.put((img_url, file_name))
class Consumer(threading.Thread):
"""
消費者 - 下載表情包圖片
"""
def __init__(self, page_queue, img_queue):
super(Consumer, self).__init__()
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
# 聲明定義請求頭
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
}
while True:
if self.img_queue.empty() and self.page_queue.empty():
break
img_url, file_name = self.img_queue.get()
req_img = requests.get(url=img_url, headers=headers)
with open('images/' + file_name, 'wb') as fp:
fp.write(req_img.content)
print(file_name + '下載完成...')
def main():
"""
主函數
:return:
"""
page_queue = Queue(100)
img_queue = Queue(1000)
for x in range(1, 101):
url = 'http://www.doutula.com/photo/list/?page=%d' % x
page_queue.put(url)
# 定義五個生產者
for x in range(6):
t = Producer(page_queue=page_queue, img_queue=img_queue)
t.start()
# 定義三個消費者
for x in range(4):
t = Consumer(page_queue=page_queue, img_queue=img_queue)
t.start()
if __name__ == '__main__':
main()
GIL全局解釋器鎖
Python自帶的解釋器是CPython
。CPython
解釋器的多線程實際上是一個家的多線程(在多核CPU中,只能利用一核,不能利用多核)。同一時刻只有一個線程在執行,爲了保證同一時刻只有一個線程在執行,在CPython
解釋器中有一個功能叫做GIL
,叫做全局解釋器鎖。這個解釋器鎖是有必要的,因爲CPython
解釋器的內存管理不是線程安全的,當然除了CPython
解釋器,還有其他的解釋器,有些解釋器是沒有GIL
鎖的,見下面:
Jpython
: 用Java實現的Python解釋器,不存在GIL
鎖。更多詳情請見:https://zh.wikipedia.org/wiki/JpythonIronPython
: 用.NET
實現的Python解釋器,不存在GIL
鎖。更多詳情請見:https://zh.wikipedia.org/wiki/IronPythonPyPy
: 用Python
實現的Python解釋器,存在GIL
鎖。更多詳情請見:https://zh.wikipedia.org/wiki/PyPy
GIL雖然是一個假的多線程,但是在處理IO操作時可以提高效率。在CPU計算操作上不建議使用多線程,而建議使用多進程。