Python爬虫—多线程的简单示例

  python是支持多线程的，主要是通过thread和threading这两个模块来实现的。thread模块是比较底层的模块，threading模块是对thread做了一些包装的，可以更加方便的使用。

虽然python的多线程受GIL限制，并不是真正的多线程，但是对于I/O密集型计算还是能明显提高效率，比如说爬虫。详细请见https://www.zhihu.com/question/23474039

下面用一个实例来验证多线程的效率。代码只涉及页面获取，并没有解析出来。

# -*-coding:utf-8 -*-import urllib2, timeimport threadingclassMyThread(threading.Thread):def__init__(self, func, args):        threading.Thread.__init__(self)self.args = argsself.func = funcdefrun(self):        apply(self.func,self.args)defopen_url(url):    request = urllib2.Request(url)    html = urllib2.urlopen(request).read()    print len(html)returnhtmlif__name__=='__main__':# 构造url列表urlList = []forpinrange(1,10):        urlList.append('http://s.wanfangdata.com.cn/Paper.aspx?q=%E5%8C%BB%E5%AD%A6&p='+ str(p))# 一般方式n_start = time.time()foreachinurlList:open_url(each)    n_end = time.time()    print'the normal way take %s s'% (n_end-n_start)# 多线程t_start = time.time()    threadList = [MyThread(open_url, (url,))forurlinurlList]fortinthreadList:t.setDaemon(True)        t.start()foriinthreadList:i.join()    t_end = time.time()    print'the thread way take %s s'% (t_end-t_start)

分别用两种方式获取10个访问速度比较慢的网页，一般方式耗时50s，多线程耗时10s。

多线程代码解读:

# 创建线程类，继承Thread类classMyThread(threading.Thread):def__init__(self, func, args):        threading.Thread.__init__(self)# 调用父类的构造函数self.args = argsself.func = funcdefrun(self):# 线程活动方法apply(self.func,self.args)

threadList = [MyThread(open_url, (url,))forurlinurlList]# 调用线程类创建新线程，返回线程列表fortinthreadList:        t.setDaemon(True)# 设置守护线程，父线程会等待子线程执行完后再退出t.start()# 线程开启foriinthreadList:        i.join()# 等待线程终止，等子线程执行完后再执行父线程