• 多线程 多进程 协程 Queue(爬虫代码)

    快速理解多进程与多线程以及协程的使用场合和特点

    首先我们来了解下python中的进程，线程以及协程！

    从计算机硬件角度：

    计算机的核心是CPU，承担了所有的计算任务。
    一个CPU，在一个时间切片里只能运行一个程序。

     

    从操作系统的角度：

    进程和线程，都是一种CPU的执行单元。

    进程：表示一个程序的上下文执行活动（打开、执行、保存...）

    线程：进程执行程序时候的最小调度单位（执行a，执行b...)

    一个程序至少有一个进程，一个进程至少有一个线程。

     

    并行 和 并发：


    并行：多个CPU核心，不同的程序就分配给不同的CPU来运行。可以让多个程序同时执行。

    cpu1 -------------
    cpu2 -------------
    cpu3 -------------
    cpu4 -------------

    并发：单个CPU核心，在一个时间切片里一次只能运行一个程序，如果需要运行多个程序，则串行执行。

    cpu1　　----　　----

    cpu1 　　　----　　----

     


    多进程/多线程：
    表示可以同时执行多个任务，进程和线程的调度是由操作系统自动完成。


    进程：每个进程都有自己独立的内存空间，不同进程之间的内存空间不共享。
    进程之间的通信有操作系统传递，导致通讯效率低，切换开销大。

    线程：一个进程可以有多个线程，所有线程共享进程的内存空间，通讯效率高，切换开销小。

    共享意味着竞争，导致数据不安全，为了保护内存空间的数据安全，引入"互斥锁"。

    一个线程在访问内存空间的时候，其他线程不允许访问，必须等待之前的线程访问结束，才能使用这个内存空间。

    互斥锁：一种安全有序的让多个线程访问内存空间的机制。

     

    Python的多线程：

    GIL 全局解释器锁：线程的执行权限，在Python的进程里只有一个GIL。

    一个线程需要执行任务，必须获取GIL。

    好处：直接杜绝了多个线程访问内存空间的安全问题。
    坏处：Python的多线程不是真正多线程，不能充分利用多核CPU的资源。

    但是，在I/O阻塞的时候，解释器会释放GIL。


    所以：

    多进程：密集CPU任务，需要充分使用多核CPU资源（服务器，大量的并行计算）的时候，用多进程。 multiprocessing
    缺陷：多个进程之间通信成本高，切换开销大。


    多线程：密集I/O任务（网络I/O，磁盘I/O，数据库I/O）使用多线程合适。
    threading.Thread、multiprocessing.dummy
    缺陷：同一个时间切片只能运行一个线程，不能做到高并行，但是可以做到高并发。


    协程：又称微线程，在单线程上执行多个任务，用函数切换，开销极小。不通过操作系统调度，没有进程、线程的切换开销。genvent，monkey.patchall

    多线程请求返回是无序的，那个线程有数据返回就处理那个线程，而协程返回的数据是有序的。

    缺陷：单线程执行，处理密集CPU和本地磁盘IO的时候，性能较低。处理网络I/O性能还是比较高.

    下面以这个网站为例，采用三种方式爬取。爬取前250名的电影。。

    https://movie.douban.com/top250?start=0

     通过分析网页发现第2页的url start=25，第3页的url start=50,第3页的start=75。因此可以得出这个网站每一页的数局是通过递增start这个参数获取的。

    一般不看第一页的数据，第一页的没有参考价值。

     

    这次我们主要爬取，电影名字跟评分。只是使用不同方式去对比下不同点，所以数据方面就不过多提取或者保存。只是简单的将其爬取下打印出来看看。

    第一：采用多进程 , multiprocessing 模块。 当然这个耗时更网络好坏有关。在全部要请求都正常的情况下耗时15s多。

     

     Process多进程实现
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    #!/usr/bin/env python2
    # -*- coding=utf-8 -*-
     
    from multiprocessing import Process, Queue
     
    import time
    from lxml import etree
    import requests
     
     
    class DouBanSpider(Process):
        def __init__(self, url, q):
            # 重写写父类的__init__方法
            super(DouBanSpider, self).__init__()
            self.url = url
            self.q = q
            self.headers = {
                'Host': 'movie.douban.com',
                'Referer': 'https://movie.douban.com/top250?start=225&filter=',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
            }
     
        def run(self):
            self.parse_page()
     
        def send_request(self,url):
            '''
            用来发送请求的方法
            :return: 返回网页源码
            '''
            # 请求出错时，重复请求３次,
            i = 0
            while i <= 3:
                try:
                    print u"[INFO]请求url:"+url
                    return requests.get(url=url,headers=self.headers).content
                except Exception as e:
                    print u'[INFO] %s%s'% (e,url)
                    i += 1
     
        def parse_page(self):
            '''
            解析网站源码，并采用ｘｐａｔｈ提取　电影名称和平分放到队列中
            :return:
            '''
            response = self.send_request(self.url)
            html = etree.HTML(response)
            #　获取到一页的电影数据
            node_list = html.xpath("//div[@class='info']")
            for move in node_list:
                # 电影名称
                title = move.xpath('.//a/span/text()')[0]
                # 评分
                score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]
                
                # 将每一部电影的名称跟评分加入到队列
                self.q.put(score + " " + title)
     
     
    def main():
        # 创建一个队列用来保存进程获取到的数据
        q = Queue()
        base_url = 'https://movie.douban.com/top250?start='
        # 构造所有ｕｒｌ
        url_list = [base_url+str(num) for num in range(0,225+1,25)]
     
        # 保存进程
        Process_list = []
        # 创建并启动进程
        for url in url_list:
            p = DouBanSpider(url,q)
            p.start()
            Process_list.append(p)
         
        # 让主进程等待子进程执行完成
        for i in Process_list:
            i.join()
     
        while not q.empty():
            print q.get()
     
    if __name__=="__main__":
         
        start = time.time()
        main()
        print '[info]耗时：%s'%(time.time()-start)

    　　

     

     

     

      采用多线程时，耗时10.4s

     

     thread
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    #!/usr/bin/env python2
    # -*- coding=utf-8 -*-
     
    from threading import Thread
    from Queue import Queue
    import time
    from lxml import etree
    import requests
     
     
    class DouBanSpider(Thread):
        def __init__(self, url, q):
            # 重写写父类的__init__方法
            super(DouBanSpider, self).__init__()
            self.url = url
            self.q = q
            self.headers = {
                'Cookie': 'll="118282"; bid=ctyiEarSLfw; ps=y; __yadk_uid=0Sr85yZ9d4bEeLKhv4w3695OFOPoedzC; dbcl2="155150959:OEu4dds1G1o"; as="https://sec.douban.com/b?r=https%3A%2F%2Fbook.douban.com%2F"; ck=fTrQ; _pk_id.100001.4cf6=c86baf05e448fb8d.1506160776.3.1507290432.1507283501.; _pk_ses.100001.4cf6=*; __utma=30149280.1633528206.1506160772.1507283346.1507290433.3; __utmb=30149280.0.10.1507290433; __utmc=30149280; __utmz=30149280.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.1475767059.1506160772.1507283346.1507290433.3; __utmb=223695111.0.10.1507290433; __utmc=223695111; __utmz=223695111.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); push_noty_num=0; push_doumail_num=0',
                'Host': 'movie.douban.com',
                'Referer': 'https://movie.douban.com/top250?start=225&filter=',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
            }
     
        def run(self):
            self.parse_page()
     
        def send_request(self,url):
            '''
            用来发送请求的方法
            :return: 返回网页源码
            '''
            # 请求出错时，重复请求３次,
            i = 0
            while i <= 3:
                try:
                    print u"[INFO]请求url:"+url
                    html = requests.get(url=url,headers=self.headers).content
                except Exception as e:
                    print u'[INFO] %s%s'% (e,url)
                    i += 1
                else:
                    return html
     
        def parse_page(self):
            '''
            解析网站源码，并采用ｘｐａｔｈ提取　电影名称和平分放到队列中
            :return:
            '''
            response = self.send_request(self.url)
            html = etree.HTML(response)
            #　获取到一页的电影数据
            node_list = html.xpath("//div[@class='info']")
            for move in node_list:
                # 电影名称
                title = move.xpath('.//a/span/text()')[0]
                # 评分
                score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]
     
                # 将每一部电影的名称跟评分加入到队列
                self.q.put(score + " " + title)
     
     
    def main():
        # 创建一个队列用来保存进程获取到的数据
        q = Queue()
        base_url = 'https://movie.douban.com/top250?start='
        # 构造所有ｕｒｌ
        url_list = [base_url+str(num) for num in range(0,225+1,25)]
     
        # 保存线程
        Thread_list = []
        # 创建并启动线程
        for url in url_list:
            p = DouBanSpider(url,q)
            p.start()
            Thread_list.append(p)
     
        # 让主线程等待子线程执行完成
        for i in Thread_list:
            i.join()
     
        while not q.empty():
            print q.get()
     
    if __name__=="__main__":
     
        start = time.time()
        main()
        print '[info]耗时：%s'%(time.time()-start)

    　　

     

     

     

    采用协程爬取，耗时15S，

     gevent

     

     

     

     

    用了多进程，多线程，协程，实现的代码都一样，没有测试出明显的那个好！都不分上下，可能跟网络，或者服务器配置有关。

    但理论上来说线程，协程在I/O密集的操作性能是要高于进程的。
  • 相关阅读:
    Ajax-ajax实例2-根据邮政编码获取地区信息
    javascript-限制文本框只输入数字
    Ajax-ajax实例1-动态加载的 FAQ
    Ajax-java中的ajax使用，以及编码问题
    java-request与response编码问题
    XMLHttpRequest对象的常用属性与方法
    Ajax类
    java-servlet 新增特性 注释
    java-servlet的url-pattern匹配规则详细描述
    java-过滤器Filter_多个Filter的执行顺序
  • 原文地址：https://www.cnblogs.com/16795079a/p/10952126.html
Copyright © 2020-2023  润新知