python 多线程爬虫 实例

多进程 Multiprocessing 模块

Process 类用来描述一个进程对象。创建子进程的时候，只需要传入一个执行函数和函数的参数即可完成 Process 示例的创建。

• star() 方法启动进程，
• join() 方法实现进程间的同步，等待所有进程退出。
• close() 用来阻止多余的进程涌入进程池 Pool 造成进程阻塞。

multiprocessing.Process(group=None, target=None, name=None, args=(), kwargs={}, *, daemon=None)

• target 是函数名字，需要调用的函数
• args 函数需要的参数，以 tuple 的形式传入

=======================================================================

Pool

Pool 可以提供指定数量的进程供用户使用，默认是 CPU 核数。当有新的请求提交到 Poll 的时候，如果池子没有满，会创建一个进程来执行，否则就会让该请求等待。 
- Pool 对象调用 join 方法会等待所有的子进程执行完毕 
- 调用 join 方法之前，必须调用 close 
- 调用 close 之后就不能继续添加新的 Process 了

pool.apply_async

apply_async 方法用来同步执行进程，允许多个进程同时进入池子。

pool.apply

apply(func[, args[, kwds]])

该方法只能允许一个进程进入池子，在一个进程结束之后，另外一个进程才可以进入池子。

下面就使用  Multiprocessing  和异步来做一个爬虫例子，直接上代码

　　# coding:utf-8

from common.contest import *

def spider(resultList):

    item_url = resultList['item_url']

    headers = {
        "cookie":"trctestcookie=ok; __ssid=0b09cf20-bcab-438c-9d06-3346409a800c;
　　　　mp_invaluable_mixpanel=%7B%22distinct_id%22%3A%20%22161c7298aeabc-0da7fd442d45f7-5d1b3316-13c680-161c7298aeba04%22%7D;
　　　　 LANG-PROD=en-us; SHOW-ALERT=true; trctestcookie=ok; mp_mixpanel__c=45; afCustomerRef-prod=13LVMZ0E4C; afCustomerID-prod=4119514;
　　　　 afRememberMe=true; AZTOKEN-PROD=FAFE3733-2B21-4AC8-B127-3325BAE38594; oas-node-sid=s%3Az-KLM1REtfG-7_mRAJ3HAyv0ZFBbkSwu.
　　　　YNq3143hCV%2FWZz0Zd15Q5g7u8aM6ARLoTOujSQnXSqQ; _gat=1; _ga=GA1.2.1505142091.1519353908; 
　　　　_gid=GA1.2.538844093.1519464821; _gat_UA-21191163-1=1; AUTHORIZATION=b3f7a9d1%2D75c3%2D425b%2Db16d%2D262135cf4dfa; 
　　　　OASTOKEN-PROD=FAFE3733%2D2B21%2D4AC8%2DB127%2D3325BAE38594; CUSTOMERID=4119514; CUSTOMERREF=13LVMZ0E4C; myinvaluablenav=1; 
　　　　_evgn_d902=%7B%22puid%22%3A%22AkLKM_odiDX3b9MMOOYEiDupItJqc6Ji2gO3amra_Qo%22%7D; _evga_d902=da0bcc787c51cd99.04r;
  }

    try:
        result = session.get(url=item_url,verify=False,headers=headers).content
    except:
        result = session.get(url=item_url, verify=False,headers=headers).content

    soup = BeautifulSoup(result, 'html.parser')
    result_div = soup.find_all('div', attrs={"id": "lotPanel1"})[0]
    result_replace = replace(result_div)

    item_desc = re.findall('<b>Description:</b>(.*?)</div><a class="rfi-modal-trigger-link"',result_replace)[0]

    print item_desc

    result1 = result.replace('
','').replace('
','').replace('
','')


    hashcode = md5(str(item_url))
    create_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time()))
    data2 = {


        "item_desc":str(item_desc),
        # "html":str(result),

        "hashcode": hashcode,
        "create_time": create_time,
    }

    null = ""
    item_data = (eval(json.dumps(resultList)))
    item_data.pop('hashcode')
    item_data.pop('create_time')
    data_dict = dict(resultList,**data2)

    dbName = "oversea_invaluable_2017_2_detail_info"
　　# 本方法已经封装，插入数据到数据库中去

    result1 = insert_data(dbName, data_dict)



if __name__ == "__main__":
    time1 = time.time()
    sql = """ SELECT * FROM `oversea_invaluable_2017_2_no_detail_info` limit 1000 """
　　
　　 #select_data是数据库查询方法，查询结果是 [{},{},{},{}, .........]
    resultList = select_data(sql)

    pool = multiprocessing.Pool(4)
    for item in resultList:
        pool.apply_async(spider, (item,))
    pool.close()
    pool.join()

    print time.time()-time1

多进程虽然为我们爬取网页提供了便利，但是不建议使用，因为这样会对目标网站造成压力，如果时间充足的话，尽量利用单进程慢慢的爬取