Python 爬虫之多线程

网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。本文主要介绍Python中多线程爬虫。

1、Python 多线程

参考文档:Python 异步编程 多线程

2、Python 多线程爬虫

相关文档:Python 爬虫入门教程

多线程对爬虫的效率提高是很有效的,但使用python的多线程需要注意,Python的多线程并不如Java的多线程,其差异在于当python解释器开始执行任务时,受制于GIL(全局解释所),Python 的线程被限制到同一时刻只允许一个线程执行这样一个执行模型。Python 的线程更适用于处理 I/O 和其他需要并发行的阻塞操作(如等待 I/O、等待从数据库获取数据等),而不是需要多处理器行的计算密集型任务。爬虫主要是网络请求耗时,则可以使用多线程来编写爬虫。可以提高性能。

1)多线程使用示例

from queue import Queue
from threading import Thread
 
def producer(out_q):
    while True:
        out_q.put(1)
 
 
def consumer(in_q):
    while True:
        data = in_q.get()
        
if __name__ == '__main__':
    q = Queue()
    t1 = Thread(target=consumer, args=(q, ))
    t2 = Thread(target=producer, args=(q, ))
    t1.start()
    t2.start()

2)多线程爬虫

import threading
import requests
import time
import queue as Queue

#h获取网址列表
link_list = []
with open('weblist.txt','r') as f:
    file_list = f.readlines()
    for eachone in file_list:
        link = eachone.replace('\n','')
        link_list.append(link)
        
start = time.time()
#创建线程对象,固定格式
class myThread (threading.Thread):
    def __init__(self, name, q):
        threading.Thread.__init__(self)
        self.name = name
        self.q = q
    def run(self):
        print ("Starting " + self.name)
        while True:
            try:
                crawler(self.name, self.q)
            except:
                break
        print ("Exiting " + self.name)
 #定义线程处理内容       
def crawler(threadName, q):
#获取队列
    url = q.get(timeout=2)
    try:
        r = requests.get(url, timeout=20)
        print (q.qsize(), threadName, r.status_code, url)
    except Exception as e: 
        print (q.qsize(), threadName, url, 'Error: ', e)
        
threadList = ["Thread-1", "Thread-2", "Thread-3","Thread-4", "Thread-5"]
workQueue = Queue.Queue(1000)
threads = []

# 创建新线程
for tName in threadList:
    thread = myThread(tName, workQueue)
    thread.start()
    threads.append(thread)
    
# 填充队列
for url in link_list:
    workQueue.put(url)

# 等待所有线程完成
for t in threads:
    t.join()

end = time.time()
print ('Queue多线程爬虫的总时间为:', end-start)
print ("Exiting Main Thread")

推荐阅读
cjavapy编程之路首页