python爬蟲之線程池和進程池功能與用法詳解

2020-01-04 14:52:00

字體：大中小

來源：轉載

供稿：網友

本文實例講述了python爬蟲之線程池和進程池功能與用法。分享給大家供大家參考，具體如下：

一、需求

最近準備爬取某電商網站的數據，先不考慮代理、分布式，先說效率問題（當然你要是請求的太快就會被封掉，親測，400個請求過去，服務器直接拒絕連接，心碎），步入正題。一般情況下小白的我們第一個想到的是for循環，這個可是單線程啊。那我們考慮for循環直接開他個5個線程，問題來了，如果有一個url請求還沒有回來，后面的就干等，這么用多線程等于沒用，到處貼創可貼。

二、性能考慮

確定要用多線程或者多進程了，那我們到底是用多線程還是多進程，有些人對多進程和多線程有一定的偏見，就因為python的GIL鎖，下面我們說一下這兩個東西的差別。

三、多線程：

一般情況下我們啟動一個.py文件，就等于啟動了一個進程，一個進程里面默認有一個線程工作，我們使用的多線程的意思就是在一個進程里面啟用多個線程。但問題來了，為什么要使用多線程呢？我知道啟動一個進程的時候需要創建一些內存空間，就相當于一間房子，我們要在這個房子里面干活，你可以想一個人就等于一個線程，你房子里面有10個人的空間跟有20個人的空間，正常情況下是不一樣的，因為我們知道線程和線程之間默認是可以通信的（進程之間默認是不可以通信的，不過可以用技術實現，比如說管道）。可以多線程為了保證計算數據的正確性，所以出現了GIL鎖，保證同一時間只能有一個線程在計算。GIL鎖你可以基本理解為，比如在這個房間里要算一筆賬，在同一時間內只能有一個人在算這筆賬，想一個問題，如果這筆賬5個人就能算清楚，我需要10平米的房間就行，那為什么要請10個人，花20平米呢？所以并不是開的線程越多越好。但是，但是，但是，注意大家不用動腦筋（CPU計算）算這筆賬的時候可以去干別的事（比如說5個人分工，各算一部分），比如說各自把自己算完后的結果記錄在賬本上以便后面對賬，這個的話每個人都有自己的賬本，所以多線程適合IO操作，記住了就算是適合IO操作，也不代表說人越多越好，所以這個量還是得根據實際情況而定。

線程池示例：

import requestsfrom concurrent.futures import ThreadPoolExecutorurls_list = [  'https://www.baidu.com',  'http://www.gaosiedu.com',  'https://www.jd.com',  'https://www.taobao.com',  'https://news.baidu.com',]pool = ThreadPoolExecutor(3)def request(url):  response = requests.get(url)  return responsedef read_data(future,*args,**kwargs):  response = future.result()  response.encoding = 'utf-8'  print(response.status_code,response.url)def main():  for url in urls_list:    done = pool.submit(request,url)    done.add_done_callback(read_data)if __name__ == '__main__':  main()  pool.shutdown(wait=True)

四、多進程：

上面我們介紹了多線程（線程池），現在我們聊聊進程池，我們知道一個進程占用一個CPU，現在的配置CPU一般都是4核，我們啟動兩個進程就是分別在兩個CPU里面（兩個內核）各運行一個進程，我知道進程里面才有線程，默認是一個。但是有個缺點，按照上面的說法，開兩個進程占用的內存空間是開一個進程占用內存空間的2倍。CPU就占用了2個核，電腦還得干別的事兒對吧，不能冒冒失失瞎用。開的太多是不是其他程序就得等著，我們思考一下，占用這么多的內存空間，利用了多個CPU的優點為了什么？CPU是用來做什么的？沒錯就是用來計算的，所以在CPU密集運算的情況下建議用多進程。注意，具體要開幾個進程，根據機器的實際配置和實際生產情況而定。

進程池

import requestsfrom concurrent.futures import ProcessPoolExecutorurls_list = [  'https://www.baidu.com',  'http://www.gaosiedu.com',  'https://www.jd.com',  'https://www.taobao.com',  'https://news.baidu.com',]pool = ProcessPoolExecutor(3)def request(url):  response = requests.get(url)  return responsedef read_data(future,*args,**kwargs):  response = future.result()  response.encoding = 'utf-8'  print(response.status_code,response.url)def main():  for url in urls_list:    done = pool.submit(request,url)    done.add_done_callback(read_data)if __name__ == '__main__':  main()  pool.shutdown(wait=True)

總結：

1、多線程適合IO密集型程序

2、多進程適合CPU密集運算型程序

五、協程：

協程：又稱微線程纖程。英文名Coroutine。那協程到底是個什么東西，通俗的講就是比線程還要小的線程，所以才叫微線程。

主要作用：有人要問了，在python中線程是原子操作（意思就是說一句話或者一個動作就能搞定的操作或者計算），怎么還有個叫協程的呢？

優點：

1、使用高并發、高擴展、低性能的；一個CPU支持上萬的協程都不是問題。所以很適合用于高并發處理。

2、無需線程的上下文切換開銷（乍一看，什么意思呢？我們都知道python實際上是就是單線程，那都是怎么實現高并發操作呢，就是CPU高速的切換，每個任務都干一點，最后看上去是一起完事兒的，肉眼感覺就是多線程、多進程）

缺點：

1、無法利用CPU的多核優點，這個好理解，進程里面包含線程，而協程就是細分后的線程，也就是說一個進程里面首先是線程其后才是協程，那肯定是用不了多核了，不過可以多進程配合，使用CPU的密集運算，平時我們用不到。

一般情況下用的比較多的是asyncio或者是gevent這兩個技術實現協程，asyncio是python自帶的技術，gevent第三方庫，個人比較喜歡gevent這個技術。

gevent：

安裝：gevent需要安裝greenlet，因為它是使用到了greenlet這個庫。

pip3 install greenletpip3 install gevent

1、gevent的基本實現，按照下面的寫法，程序啟動后將會開啟許許多多的協程，反而特別影響性能。

gevent+requests：

import requestsimport geventfrom gevent import monkey#把當前的IO操作，打上標記，以便于gevent能檢測出來實現異步(否則還是串行）monkey.patch_all()def task(url):  '''  1、request發起請求  :param url:   :return:   '''  response = requests.get(url)  print(response.status_code)gevent.joinall([  gevent.spawn(task,url='https://www.baidu.com'),  gevent.spawn(task,url='http://www.sina.com.cn'),  gevent.spawn(task,url='https://news.baidu.com'),])

2、有一個改進版本，就是可以設置到底讓它一次發起多少個請求（被忘了，協程=高并發現實之一）。其實里面就是利用gevnet下的pool模塊里面的Pool控制每次請求的數量。

gevent+reqeust+Pool（控制每次請求數量）

import requestsimport geventfrom gevent import monkeyfrom gevent.pool import Pool#把當前的IO操作，打上標記，以便于gevent能檢測出來實現異步(否則還是串行）monkey.patch_all()def task(url):  '''  1、request發起請求  :param url:  :return:  '''  response = requests.get(url)  print(response.status_code)#控制最多一次向遠程提交多少個請求，None代表不限制pool = Pool(5)gevent.joinall([  pool.spawn(task,url='https://www.baidu.com'),  pool.spawn(task,url='http://www.sina.com.cn'),  pool.spawn(task,url='https://news.baidu.com'),])

3、還有一版本，每次我們都要裝greenlet和gevent這肯定是沒法子，但是，我們上面寫的這個改進版還是有點麻煩，所以就有人寫了100多行代碼把它們給搞到了一起，對就是搞到了一起，叫grequests，就是前者兩個技術的結合。

pip3 install grequests

這個版本是不是特別變態，直接把requests、greenlet、gevent、Pool都省的導入了，但是裝還是要裝的，有人說從下面代碼中我沒看到Pool的參數啊，grequests.map(request_list,size=5)，size就是你要同時開幾個協程，還有參數你得點進去看，是不是很牛，很輕松

grequests：

import grequestsrequest_list = [  grequests.get('https://www.baidu.com'),  grequests.get('http://www.sina.com.cn'),  grequests.get('https://news.baidu.com'),]# ##### 執行并獲取響應列表 #####response_list = grequests.map(request_list,size=5)print(response_list)

結果返回一個列表，你可以再迭代一下就行了。

python,爬蟲,線程池