python学习之爬虫(五)--高性能爬虫: 单线程爬虫、多线程爬虫、多进程爬虫、多线程池爬虫、协程池爬虫

一、单线程爬虫:

1. 爬取糗事百科段子:

页面url是: https://www.qiushibaike.com/8hr/page/1/
思路分析:
(1) 确定url地址:
url地址的规律很明显,一共13页的url地址:
python学习之爬虫(五)--高性能爬虫: 单线程爬虫、多线程爬虫、多进程爬虫、多线程池爬虫、协程池爬虫_第1张图片
(2)确定数据的位置:
数据都在class="recommend-article"的div下的ul的li中,在这个区域中,url地址对应的响应和elements相同python学习之爬虫(五)--高性能爬虫: 单线程爬虫、多线程爬虫、多进程爬虫、多线程池爬虫、协程池爬虫_第2张图片

2. 糗事百科代码实现:

# coding=utf-8
import requests
import time
from lxml import etree

class QiuBai:
    def __init__(self):
        self.temp_url = "http://www.qiushibaike.com/8hr/page/{}"
        self.headers = {
     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}

    def get_url_list(self):
        """
        准备url地址的列表
        """
        return [self.temp_url.format(i) for i in range(1, 14)]

    def parse_url(self, url):
        """发送请求,获取响应"""
        response = requests.get(url=url, headers=self.headers)
        return response.content.decode() 

    def get_content_list(self, html_str):
        """提取数据"""
        html = etree.HTML(html_str)
        li_list = html.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
        content_list = []
        for li in li_list:
            item = {
     }
            item['user_name'] = li.xpath('./div/div/a[@class="recmd-user"]/span/text()')
            item['content'] = [i.strip() for i in li.xpath('./div/a[@class="recmd-content"]/text()')]
            if item['user_name'] or item['content']:
                content_list.append(item)
        return content_list

    def save_content_list(self, content_list):
        """保存"""
        for content in content_list:
            print(content)

    def run(self):
        """实现主要逻辑"""
        # 1. 准备url列表
        url_list = self.get_url_list()
        # 2. 便利发送请求,获取响应
        for url in url_list:
            html_str = self.parse_url(url)
            # 3.提取数据
            content_list = self.get_content_list(html_str)
            # 4.保存
            self.save_content_list(content_list)

if __name__ == "__main__":
    t1 = time.time()
    qiushi = QiuBai()
    qiushi.run()
    print("total cost:",time.time()-t1)

3.小结

  • 完成单线程爬虫案例为多线程做准备
  • 爬取糗事百科首页数据
  • 解析糗事百科页面数据
  • 爬取糗事百科所有数据
  • 保存数据

二、多线程爬虫:

1. 回顾多线程的使用:

在python3中, 主线程主进程结束, 子进程, 子线程不会结束;
为了鞥狗让主线程结束回收子线程,可以把子进程设置为守护线程,即该线程不重要, 主线程结束,子线程结束.

t1 = threading.Thread(target=func, args=(, ))
t1.setDaemon(True)	# 设置为守护线程
t1.start()	# 启动线程

2.回顾队列模块的使用:

from queue import Queue
q = Queue(maxsize=100)	# maxsize为队列长度
item = {
     }
q.put_nowait(item)	# 不等待直接接受, 队列满是报错
q.put(item)	# 放入队列, 队满时阻塞等待

q.get_nowait()	# 不等待直接取, 队列空时报错
q.get()	# 取出数据,队列为空的时候阻塞等待
q.qsize()	# 获取队列中现存数据的个数
q.join()	# 队列中维持了一个计数(初始为0), 计数不为0时让主线程阻塞等待,队列计数为0时才会继续往后执行
			# q.join()实际作用就是阻塞主线程, 与task_done()配合使用
			# put()操作会让计数+1, task_done()会让计数-1
			# 计数为0, 才停止阻塞, 让主线程继续执行
q.task_done()	# put()让计数+1, get()不会-1, get需要配合task_done一起才能使计数-1

3.多线程实现思路剖析:

  1. 把爬虫中的每个步骤封装成函数,分别用线程去执行
  2. 不同的函数用过队列相互通信,函数间解耦
    python学习之爬虫(五)--高性能爬虫: 单线程爬虫、多线程爬虫、多进程爬虫、多线程池爬虫、协程池爬虫_第3张图片

4. 具体代码实现:

# coding=utf-8

import requests
import time
from lxml import etree
from queue import Queue
import threading


class QiuBai:
    def __init__(self):
        self.temp_url = "http://www.qiushibaike.com/8hr/page/{}"
        self.headers = {
     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}
        self.url_queue = Queue()
        self.html_queue = Queue()
        self.content_list_queue = Queue()


    def get_url_list(self):
        """
        准备url地址的列表
        """
        for i in range(1, 14):
            self.url_queue.put(self.temp_url.format(i))

    def parse_url(self):
        """发送请求,获取响应"""
        while True:
           # 在这里使用子线程不会结束,吧子线程设置为守护线程
           url = self.url_queue.get()
           response = requests.get(url, headers = self.headers)
           self.html_queue.put(response.content.decode())
           self.url_queue.task_done()

    def get_content_list(self):
        """提取数据"""
        while True:
            html_str = self.html_queue.get()
            html = etree.HTML(html_str)
            li_list = html.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
            content_list = []
            for li in li_list:
                item = {
     }
                item['user_name'] = li.xpath('./div/div/a[@class="recmd-user"]/span/text()')
                item['content'] = [i.strip() for i in li.xpath('./div/a[@class="recmd-content"]/text()')]
                if item['user_name'] or item['content']:
                    content_list.append(item)
            self.content_list_queue.put(content_list)
            self.html_queue.task_done()

    def save_content_list(self):
        """保存"""
        while True:
            content_list = self.content_list_queue.get()
            for content in content_list:
                print(content)
            self.content_list_queue.task_done()

    def run(self):
        """实现主要逻辑"""
        thread_list = []
        # 1.准备url_list
        t_url = threading.Thread(target=self.get_url_list)
        thread_list.append(t_url)
        # 2. 遍历, 发送请求
        for _ in range(3):  # 三个线程发送
            t_parse = threading.Thread(target=self.parse_url)
            thread_list.append(t_parse)

        # 3.提取数据
        t_content = threading.Thread(target=self.get_content_list)
        thread_list.append(t_content)
        # 4.保存
        t_save = threading.Thread(target=self.save_content_list)
        thread_list.append(t_save)

        for t in thread_list:
            t.setDaemon(True)   # 把子线程设置成守护线程
            t.start()
        
        for q in [self.url_queue, self.html_queue, self.content_list_queue]:
            q.join() # 让主线程阻塞
        
        print("主线程结束")


if __name__ == "__main__":
    t1 = time.time()
    qiushi = QiuBai()
    qiushi.run()
    print("total cost:",time.time()-t1)

注意点:

  • put会让队列的计数+1,但是单纯的使用get不会让其-1,需要和task_done同时使用才能够-1
  • task_done不能放在另一个队列的put之前,否则可能会出现数据没有处理完成,程序结束的情况

三、多进程爬虫:

在一个进程中无论开启多少线程都只在一个CPU的核心之上,这是Cpython的特点,不能说是缺点.
如果想利用计算机的多核有事, 就可以用多进程的方式实现,思想和多线程相似,只是对应的api不相同.

1.回顾多进程的方法使用:

from multiprocessing import Process

t1 = Process(target=func, arg=(, ))
t1.daemon = True	# 设置为守护进程
t1.start()	# 此时进程才会开启

2. 多进程中使用队列:

多进程中使用普通的队列欧快会发生阻塞, 对应的需要使用multiprocessing中的JoinablieQueue模块, 其实用过程和线程中使用的queue方法相同.

3. 具体实现:

# coding=utf-8

import requests
import time
from lxml import etree
from multiprocessing import JoinableQueue as Queue
from multiprocessing import Process


class QiuBai:
    """多进程糗事百科爬虫"""
    def __init__(self):
        self.temp_url = "https://www.qiushibaike.com/8hr/page/{}"
        self.headers = {
     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}
        self.url_queue = Queue()
        self.html_queue = Queue()
        self.content_list_queue = Queue()

    def get_url_list(self):
        for i in range(1, 14):
            self.url_queue.put(self.temp_url.format(i))
    
    def parse_url(self):
        """发送请求,获取响应"""
        while True:
           # 在这里使用子线程不会结束,吧子线程设置为守护线程
           url = self.url_queue.get()
           response = requests.get(url, headers = self.headers)
           self.html_queue.put(response.content.decode())
           self.url_queue.task_done()

    def get_content_list(self):
        """提取数据"""
        while True:
            html_str = self.html_queue.get()
            html = etree.HTML(html_str)
            li_list = html.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
            content_list = []
            for li in li_list:
                item = {
     }
                item['user_name'] = li.xpath('./div/div/a[@class="recmd-user"]/span/text()')
                item['content'] = [i.strip() for i in li.xpath('./div/a[@class="recmd-content"]/text()')]
                if item['user_name'] or item['content']:
                    content_list.append(item)
            self.content_list_queue.put(content_list)
            self.html_queue.task_done()

    def save_content_list(self):
        """保存"""
        while True:
            content_list = self.content_list_queue.get()
            for content in content_list:
                print(content)
            self.content_list_queue.task_done()

    def run(self):
        """实现主要逻辑"""
        process_list = []
        # 1.准备url_list
        t_url = Process(target=self.get_url_list)
        process_list.append(t_url)
        # 2. 遍历, 发送请求
        for _ in range(5):  # 三个进程发送
            t_parse = Process(target=self.parse_url)
            process_list.append(t_parse)

        # 3.提取数据
        t_content = Process(target=self.get_content_list)
        process_list.append(t_content)
        # 4.保存
        t_save = Process(target=self.save_content_list)
        process_list.append(t_save)
        for t in process_list:
            t.daemon=True   # 把子线程设置成守护线程
            t.start()
        
        for q in [self.url_queue, self.html_queue, self.content_list_queue]:
            q.join() # 让主线程阻塞
        
        print("主线程结束")


if __name__ == "__main__":
    t1 = time.time()
    qiushi = QiuBai()
    qiushi.run()
    print("total cost:",time.time()-t1)

上述代码中,multipocessing提供的JoinableQueue可以创建可连接的共享进程队列. 和普通的Queue对象一样,队列允许项目的使用者通知生产者项目已经被成功处理. 通知进程是使用共享的信号和条件变量来实现的. 对应的该队列能够和普通队列一样能够调用task_done和join方法.

4.小结:

  • multiprocessing导包:from multiprocessing import Process
  • 创建进程: Process(target=self.get_url_list)
  • 添加入队列: put
  • 从队列中获取: get
  • 设置守护进程: t.daemon=True
  • 主进程阻塞: q.join()
  • 跨进程通信可以使用: from multiprocessing import JoinableQueue as Queue

四、线程池实现爬虫:

1. 线程池使用方法介绍:

1.实例化线程池对象:

from multiprocessing.dummy import Pool
pool  = Pool(processes = 3)	# 默认大小是cpu的个数
"""源码内容:
if processes is None:
    processes = os.cpu_count() or 1 
    # 此处or的用法:
        默认选择or前边的值,
        如果or前边的值为False,就选择后边的值
"""

2.把从发送请求,提取数据,到保存合并成一个函数, 交给线程池一步执行使用方法pool.apply_async(func)

def exetute_requests_item_save(self):
	url = self.queue.get()
	html_str = self.parse_url(url)
	content_list = sekf.get_count_list(html_str)
	self.save_content_list(content_list)
	self.total_response += 1

pool.apply_async(self.exetute_requests_item_save)

3.添加回调函数:
通过apply_async的方法能够让函数一步执行,但是只能执行一次, 为了让其能够反复执行,通过添加回调函数的方式能够让_callback递归的调用自己同事, 同时需要指定递归退出的条件

def _callback(self, temp):
	if self.is_running:
		pool.apply_async(self.exetute_requests_item_save,callback=self._callback)
		
	pool.apply_async(self.exetute_requests_item_save,callback=self._callback)

4.确定程序结束的条件:
程序在获取的响应和url数量相同的时候可以结束

while True:
	time.sleep(0.0001)	# 防止cpu空转
	if self.total_response_num>=self.total_requests_num:
         self.is_running= False
         break
 self.pool.close() #关闭线程池,防止新的线程开启
# self.pool.join() #等待所有的子线程结束

2.使用线程池实现批爬虫的具体实现:

# coding=utf-8

import requests
import time
from lxml import etree
from multiprocessing.dummy import Pool
from queue import Queue


class QiuBai:
    """多进程糗事百科爬虫"""
    def __init__(self):
        self.temp_url = "https://www.qiushibaike.com/8hr/page/{}"
        self.headers = {
     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}
        self.queue = Queue()
        self.pool = Pool(processes=6)
        self.is_running = True
        self.total_requests_num = 0
        self.totsl_response_num = 0

    def get_url_list(self):
        print("准备url")
        for i in range(1, 14):
            self.queue.put(self.temp_url.format(i))
            self.total_requests_num += 1
    
    def parse_url(self, url):
        """发送请求,获取响应"""
        return requests.get(url, headers=self.headers).content.decode()

    def get_content_list(self, html_str):
        """提取数据"""
        html = etree.HTML(html_str)
        li_list = html.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
        content_list = []
        for li in li_list:
            item = {
     }
            item['user_name'] = li.xpath('./div/div/a[@class="recmd-user"]/span/text()')
            item['content'] = [i.strip() for i in li.xpath('./div/a[@class="recmd-content"]/text()')]
            if item['user_name'] or item['content']:
                content_list.append(item)
        return content_list

    def save_content_list(self, content_list):
        """保存"""
        for content in content_list:
            print(content)

    def exetute_requests_item_save(self):
        url = self.queue.get()
        html_str = self.parse_url(url)
        content_list = self.get_content_list(html_str)
        self.save_content_list(content_list)
        self.totsl_response_num += 1


    def _callback(self, temp):
        if self.is_running:
            self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)


    def run(self):
        """实现主要逻辑"""
        self.get_url_list()

        for i in range(2): # 控制并发数量
            self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)

        while True: # 防止主线程结束
            time.sleep(0.0001)
            if self.totsl_response_num >= self.total_requests_num:
                self.is_running = False
                break


if __name__ == "__main__":
    t1 = time.time()
    qiushi = QiuBai()
    qiushi.run()
    print("total cost:",time.time()-t1)

3.小结:

  • 线程池导包: from multiprocessing.dummy import Pool
  • 线程池的创建:pool = Pool(process=3)
  • 线程池异步方法:pool.apply_async(func)

五、协程池实现爬虫:

1.协程池模块使用介绍:

from gevent import monkey
monkey.patch_all()
from gevent.pool import Pool

2.使用协程池实现爬虫的具体实现:

# coding=utf-8
from gevent import monkey
monkey.patch_all()
import requests
import time
from lxml import etree
from queue import Queue
from lxml import etree
from gevent.pool import Pool


class QiuBai:
    """多进程糗事百科爬虫"""
    def __init__(self):
        self.temp_url = "https://www.qiushibaike.com/8hr/page/{}"
        self.headers = {
     "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}
        self.queue = Queue()
        self.pool = Pool(processes=6)
        self.total_requests_num = 0
        self.totsl_response_num = 0
        self.is_running = True

    def get_url_list(self):
        print("准备url")
        for i in range(1, 14):
            self.queue.put(self.temp_url.format(i))
            self.total_requests_num += 1
    
    def parse_url(self, url):
        """发送请求,获取响应"""
        return requests.get(url, headers=self.headers).content.decode()

    def get_content_list(self, html_str):
        """提取数据"""
        html = etree.HTML(html_str)
        li_list = html.xpath('//*[@id="content"]/div/div[2]/div/ul/li')
        content_list = []
        for li in li_list:
            item = {
     }
            item['user_name'] = li.xpath('./div/div/a[@class="recmd-user"]/span/text()')
            item['content'] = [i.strip() for i in li.xpath('./div/a[@class="recmd-content"]/text()')]
            if item['user_name'] or item['content']:
                content_list.append(item)
        return content_list

    def save_content_list(self, content_list):
        """保存"""
        for content in content_list:
            print(content)

    def exetute_requests_item_save(self):
        url = self.queue.get()
        html_str = self.parse_url(url)
        content_list = self.get_content_list(html_str)
        self.save_content_list(content_list)
        self.totsl_response_num += 1


    def _callback(self, temp):
        if self.is_running:
            self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)


    def run(self):
        """实现主要逻辑"""
        self.get_url_list()

        for i in range(2): # 控制并发数量
            self.pool.apply_async(self.exetute_requests_item_save, callback=self._callback)

        while True: # 防止主线程结束
            time.sleep(0.0001)
            if self.totsl_response_num >= self.total_requests_num:
                self.is_running = False
                break

if __name__ == "__main__":
    t1 = time.time()
    qiushi = QiuBai()
    qiushi.run()
    print("total cost:",time.time()-t1)

3.小结

  • 协程池的导包:from gevent.pool import Pool
  • 协程池异步方法:pool.apply_async()

六、高性能爬虫小结:

python学习之爬虫(五)--高性能爬虫: 单线程爬虫、多线程爬虫、多进程爬虫、多线程池爬虫、协程池爬虫_第4张图片

你可能感兴趣的:(#,爬虫,python学习,python,爬虫,高性能爬虫,异步爬虫)