python并发爬虫——多线程、线程池实现

python并发爬虫——多线程、线程池实现

一个网络爬虫通常由发送请求、获取响应、解析页面、本地保存等这几部分组成。其中最难，细节最多的当然是页面解析环节，对于不同的页面，其解析难度必然又所差异，甚至有些安全性较高的网站还设有各种反扒机制，想要获取需要的信息需要视具体情况而言。当然这些内容不在本篇的介绍范围内。本文主要内容是针对如何使用多线程、线程池进行并发操作，提高爬虫的爬取效率。

一、常规网络爬虫

1. 执行顺序

通常，我们在使用爬虫对网页进行爬取的时候，往往采用requests库发送get请求，获取响应text文本，再使用beautifulsoup库、正则表达式、xpath对网页文本进行解析以得到我们所需数据，之后再对数据进行其他处理。

	resp = requests.get(url).text
    html = etree.HTML(resp)
    result = html.xpath(//div[class="col-md-1/text()"])
    print(result)

2. 缺点

1）耗时多。整个爬取过程中，只要前一个环节尚未完成时，后一环节就一直处于等待状态，尤其是解析页面环节往往需要耗费大量时间。
2）效率低。采用这种单线程处理方式会增加整个爬虫的运行时间，降低爬取效率。
3）易崩溃。一旦某一模块出现异常，整个爬虫程序也会崩溃。

二、并发爬虫

1. 原理

将整个爬虫程序分为CPU操作和IO操作两部分。CPU首先开始执行task，在遇到IO操作时，CPU会切换到另一个Task开始执行，IO操作结束后，再通知CPU进行处理。由于IO操作读取内存、磁盘网络等不需要CPU的参与，两者可以同时进行，CPU可以释放出来执行其他Task实现加速。采用多线程并发操作执行程序可以大大降低运行时间，提高效率。

2. 优点

1）速度快。相比于单线程爬虫，采用多线程并发处理减少了不必要的等待时间，使得整个程序运行速度大大加快。
2）效率高。多线程能够同时进行CPU操作和IO操作，降低整个程序运行的时间。
3）安全性高。多线程可以采用Lock机制来控制全局共享变量，确保数据的正确性。

值得注意的是，由于python多线程的GIL（Global Interpreter Lock）全局解释器锁的存在，使得整个CPU操作过程中永远只能使用一个CPU，每个线程在执行时候都需要先获取GIL，保证同一时刻只有一个线程可以执行代码。因此python的多线程并不是真正意义上的同时执行，使用多线程提高运行效率也仅仅是通过同时执行CPU操作和IO操作完成的，并不是通过使用多个CPU同时执行Task实现的。

3. 应用

在介绍多线程之前，先介绍一种需要使用到生产者-消费者的爬虫模式（Producer-Consumer-Spider PCS模式）。这种模式将爬虫集成为生产者、消费者模块。生产者负责处理输入数据，生成中间变量传递给消费者。消费者负责解析内容，生成输出数据。

在爬虫程序中，生产者往往是对url进行处理，发送请求获取响应。消费者往往是对响应页面进行解析，获取输出数据。

3.1 多线程

python实现多线程有多种不同的方式，这里介绍几种常用的方法。

1）常规调用

开启多线程需要引入threading包，通过函数threading.Thread(target=fun, args=())即可创建线程。target参数为需要执行函数的函数名（不是调用不带括号），args参数为所调函数需要的参数元组。

import threading
import requests
from lxml import etree

urls = [
    f'https://www.cnblogs.com/sitehome/p/{page}'
    for page in range(1, 20)
]


def craw(u):
    res = requests.get(u)
    print(u, len(res.text))
    return res.text


def parse(h):
    html = etree.HTML(h)
    links = html.xpath('//a[@class="post-item-title"]')
    results = [(link.attrib['href'], link.text) for link in links]
    print(results)
    return results


def multi_thread(u):
    results = parse(craw(u))
    for r in results:
        print(r)


if __name__ == "__main__":
    for u in urls:
        t = threading.Thread(target=multi_thread, args=(u,))
        t.start()
	

2）自定义线程

通过继承threading.Thread来定义线程类，其本质是重构Thread类中的run()方法，构建实例启动线程即可，不需要传入被执行函数和参数。通过对run方法的重写，可以实现更加强大的功能。

import threading
import requests
from lxml import etree

urls = [
    f'https://www.cnblogs.com/sitehome/p/{page}'
    for page in range(1, 20)
]

# 自定义线程
class MyThread(threading.Thread):
    def __init__(self, url):
        super(MyThread, self).__init__()  # 重构run函数必须写
        self.url = url

    def run(self):
        results = parse(craw(self.url))
        for r in results:
            print(r)

def craw(u):
    res = requests.get(u)
    print(u, len(res.text))
    return res.text


def parse(h):
    html = etree.HTML(h)
    links = html.xpath('//a[@class="post-item-title"]')
    results = [(link.attrib['href'], link.text) for link in links]
    print(results)
    return results


if __name__ == "__main__":
    for u in urls:
        t = MyThread(u)
        t.start()

3）PCS模式

在常规爬虫的基础上采用生产者-消费者模式进行改进，引入队列（Queue）对数据进行更加复杂的操作，实现更加强大的功能。创建线程传入url_queue队列执行生产者方法得到html_queue队列，消费者方法依次从html_queue队列中获取数据执行解析方法，得到输出数据。直到两个队列为空时，结束线程。

import queue
import random
import threading
import time


# 生产者
def do_craw(url_queue: queue.Queue, html_queue: queue.Queue):
    while True:
        u = url_queue.get()
        html_queue.put(blog_spider.craw(u))
        print(threading.current_thread().name, f"craw {u}",
              'url_queue.qsize=', url_queue.qsize())
        time.sleep(random.randint(1, 2))
        

#消费者
def do_parse(html_queue: queue.Queue, fout):
    while True:
        h = html_queue.get()
        results = blog_spider.parse(h)
        for result in results:
            fout.write(str(result) + '\n')
        print(threading.current_thread().name, f"results.size", len(results),
              'html_queue.qsize=', html_queue.qsize())
        time.sleep(random.randint(1, 2))


if __name__ == "__main__":
    url_queue = queue.Queue()
    html_queue = queue.Queue()
    for u in blog_spider.urls:
        url_queue.put(u)
    for idx in range(3):
        t = threading.Thread(target=do_craw, args=(url_queue, html_queue), name=f'craw{idx}')
        t.start()

    fout = open(r'results.txt', 'w+', encoding='utf-8')
    for idx in range(2):
        t = threading.Thread(target=do_parse, args=(html_queue, fout), name=f'parse{idx}')
        t.start()

3.2 线程池

尽管在使用多线程进行爬虫时可以提高程序运行效率，但是线程的创建和销毁都会消耗资源，过多的创建线程会导致线程浪费，增加运行成本。引入线程池对线程进行管理，当我们需要调用线程时从线程池中获取，用完之后再归还入池中，实现线程的循环使用，大大降低运行成本。创建一个线程池需要使用到concurrent.futures包中的ThreadPoolExecutor()方法。

可以用with ThreadPoolExecutor()创建线程池，之后方法执行时会自动从池中获取线程并发执行。可以在ThreadPoolExecutor()中传入参数设置线程池信息。例如max_workers参数可以设置池中最大线程数。线程池的使用共有三种方法：

1）一次性提交

使用pool.map()方法一次性提交任务队列里的任务并得到所有结果。注意map()方法中有两个参数，一个是被执行的方法名，另一个是其所需参数集，必须是可迭代对象（*iterables）。

from concurrent.futures import ThreadPoolExecutor,as_completed

# craw
with ThreadPoolExecutor() as pool:
    htmls = pool.map(blog_spider.craw, blog_spider.urls)
    htmls = list(zip(blog_spider.urls, htmls))
    for url, html in htmls:
        print(url, len(html))

2）分步提交

使用pool.submit()方法可以依次从任务队列取出Task执行，并将其结果依次封装到future对象中，调用result()方法可以取得返回的结果。

# parse
with ThreadPoolExecutor() as pool:
    futures = {}
    for url, html in htmls:
        future = pool.submit(blog_spider.parse, html)
        futures[future] = url
    for future, url in futures.items():
        print(url, future.result())

3）分步提交加强版

使用as_completed()可以优先返回已经执行完的结果。在整个代码运行过程中，先执行完毕的线程先将其返回值封装到future对象中。对比第二种方法，减少了运行时间，提高了执行效率。

with ThreadPoolExecutor() as pool:
    futures = {}
    for url, html in htmls:
        future = pool.submit(blog_spider.parse, html)
        futures[future] = url
    for future in as_completed(futures):
        print(futures[future], future.result())

四、结语

多线程的使用场景非常广泛，熟悉并掌握并发操作会大大提高你程序的运行效率。相比与单线程爬虫，多线程爬虫的效率平均能提高5-10倍。合理的利用多线程会让你的程序更加高效。当然，多线程涉及到的内容十分广泛，其中本文未提到的Lock锁机制是也其重要内容之一。将本文可以作为使用多线程进行并发操作的入门参考，想要详细了解多线程的更多知识还需要继续努力。