爬虫学习之第四章爬虫进阶之多线程爬虫

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notify和notify_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。notify和notify_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cpython。cpython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()