Python3多線程爬蟲實例講解代碼

更新時間：2018年01月05日 14:17:54 作者：pythontab

本篇文章主要介紹了Python3多線程爬蟲實例講解代碼，Python3使用threading模塊來進行多線程，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

多線程概述

多線程使得程序內(nèi)部可以分出多個線程來做多件事情，充分利用CPU空閑時間，提升處理效率。python提供了兩個模塊來實現(xiàn)多線程thread 和threading ，thread 有一些缺點，在threading 得到了彌補。并且在Python3中廢棄了thread模塊，保留了更強大的threading模塊。

使用場景

在python的原始解釋器CPython中存在著GIL（Global Interpreter Lock，全局解釋器鎖），因此在解釋執(zhí)行python代碼時，會產(chǎn)生互斥鎖來限制線程對共享資源的訪問，直到解釋器遇到I/O操作或者操作次數(shù)達到一定數(shù)目時才會釋放GIL。所以，雖然CPython的線程庫直接封裝了系統(tǒng)的原生線程，但CPython整體作為一個進程，同一時間只會有一個獲得GIL的線程在跑，其他線程則處于等待狀態(tài)。這就造成了即使在多核CPU中，多線程也只是做著分時切換而已。

如果你的程序是CPU密集型，多個線程的代碼很有可能是線性執(zhí)行的。所以這種情況下多線程是雞肋，效率可能還不如單線程因為有上下文切換開銷。但是如果你的代碼是IO密集型，涉及到網(wǎng)絡、磁盤IO的任務都是IO密集型任務，多線程可以明顯提高效率，例如多線程爬蟲，多線程文件處理等等

多線程爬蟲

多線程爬蟲的代碼實例

注：以下代碼在python3下運行通過， python2版本差異較大，不能運行成功，如需幫助請下方留意。

# coding=utf-8
import threading, queue, time, urllib
from urllib import request
baseUrl = 'http://www.pythontab.com/html/pythonjichu/'
urlQueue = queue.Queue()
for i in range(2, 10):
 url = baseUrl + str(i) + '.html'
 urlQueue.put(url)
 #print(url)
def fetchUrl(urlQueue):
 while True:
  try:
   #不阻塞的讀取隊列數(shù)據(jù)
   url = urlQueue.get_nowait()
   i = urlQueue.qsize()
  except Exception as e:
   break
  print ('Current Thread Name %s, Url: %s ' % (threading.currentThread().name, url))
  try:
   response = urllib.request.urlopen(url)
   responseCode = response.getcode()
  except Exception as e:
   continue
  if responseCode == 200:
   #抓取內(nèi)容的數(shù)據(jù)處理可以放到這里
   #為了突出效果， 設置延時
   time.sleep(1)
if __name__ == '__main__':
 startTime = time.time()
 threads = []
 # 可以調(diào)節(jié)線程數(shù)， 進而控制抓取速度
 threadNum = 4
 for i in range(0, threadNum):
  t = threading.Thread(target=fetchUrl, args=(urlQueue,))
  threads.append(t)
 for t in threads:
  t.start()
 for t in threads:
  #多線程多join的情況下，依次執(zhí)行各線程的join方法, 這樣可以確保主線程最后退出， 且各個線程間沒有阻塞
  t.join()
 endTime = time.time()
 print ('Done, Time cost: %s ' % (endTime - startTime))

運行結(jié)果：

1個線程時：

Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/2.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/3.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/4.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/5.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/6.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/7.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/8.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/9.html 
Done, Time cost: 8.182249069213867

2個線程時：

Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/2.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/3.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/4.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/5.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/6.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/7.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/8.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/9.html 
Done, Time cost: 4.0987958908081055

3個線程時：

Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/2.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/3.html 
Current Thread Name Thread-3, Url: http://www.pythontab.com/html/pythonjichu/4.html 
Current Thread Name Thread-4, Url: http://www.pythontab.com/html/pythonjichu/5.html 
Current Thread Name Thread-2, Url: http://www.pythontab.com/html/pythonjichu/6.html 
Current Thread Name Thread-4, Url: http://www.pythontab.com/html/pythonjichu/7.html 
Current Thread Name Thread-1, Url: http://www.pythontab.com/html/pythonjichu/9.html 
Current Thread Name Thread-3, Url: http://www.pythontab.com/html/pythonjichu/8.html 
Done, Time cost: 2.287320137023926

通過調(diào)節(jié)線程數(shù)可以看到，執(zhí)行時間會隨著線程數(shù)的增加而縮短，抓取效率成正比增加。

總結(jié)：

Python多線程在IO密集型任務，多線程可以明顯提高效率，CPU密集型任務不適合使用多線程處理。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: