13.网络爬虫—多进程详讲(实战演示)

前言：
️️个人简介：以山河作礼。
️️:Python领域新星创作者，CSDN实力新星认证
​第一篇文章《1.认识网络爬虫》获得全站热榜第一，python领域热榜第一。
第四篇文章《4.网络爬虫—Post请求(实战演示)》全站热榜第八。
第八篇文章《8.网络爬虫—正则表达式RE实战》全站热榜第十二。
第十篇文章《10.网络爬虫—MongoDB详讲与实战》全站热榜第八，领域热榜第二
《Python网络爬虫》专栏累计发表十二篇文章，上榜四篇。欢迎免费订阅！欢迎大家一起学习，一起成长！！
悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

一·进程的概念

进程是指计算机中正在执行的程序实例，它是操作系统进行资源分配和调度的基本单位。

• 进程可以包含多个线程，每个线程负责执行不同的任务。
• 进程之间相互独立，拥有独立的内存空间和资源，通过进程间通信来实现数据共享和协作。
• 进程可以在计算机系统中运行多个，操作系统根据优先级和资源需求来调度进程的执行，以保证系统的稳定性和性能。

简单来说：

比如你打开了一个文本编辑器，这个文本编辑器就是一个进程。进程可以包含多个线程，每个线程负责执行不同的任务。比如，在一个音乐播放器中，可能有一个线程负责播放音乐，另一个线程负责显示歌曲信息。

操作系统会根据进程的优先级和资源需求来调度进程的执行。这样可以保证系统的稳定性和性能，避免出现一些进程占用过多资源而导致系统崩溃或变慢的情况。

总之，进程是一个非常重要的计算机概念，它是操作系统进行资源分配和调度的基本单位，也是我们使用计算机时经常接触到的概念之一。

二·创建多进程

==Python创建多进程可以使用multiprocessing模块。该模块提供了一个Process类，可以用来创建新的进程。==

下面是一个简单的例子，展示如何使用multiprocessing模块创建多进程：

import multiprocessing

def worker(num):
    """子进程要执行的代码"""
    print('Worker %d is running' % num)

if __name__ == '__main__':
    # 创建5个子进程
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,))
        p.start()

上面的代码中，我们定义了一个worker函数，它接受一个参数num，用于标识该进程的编号。在主程序中，我们使用for循环创建了5个子进程，并且将worker函数作为参数传递给Process类的构造函数。然后，我们调用start方法启动子进程。

当我们运行这个程序时，会输出下面的结果：

Worker 0 is running
Worker 1 is running
Worker 2 is running
Worker 3 is running
Worker 4 is running

可以看到，5个子进程都在运行，并且输出了自己的编号。

除了使用Process类外，multiprocessing模块还提供了其他一些类和函数，用于创建和管理多进程。比如，我们可以使用Pool类来创建进程池，从而实现并发执行多个任务。

下面是一个使用Pool类的例子：

import multiprocessing

def worker(num):
    """子进程要执行的代码"""
    print('Worker %d is running' % num)

if __name__ == '__main__':
    # 创建进程池，最大进程数为3
    pool = multiprocessing.Pool(processes=3)
    
    # 将5个任务分配给进程池
    for i in range(5):
        pool.apply_async(worker, args=(i,))
    
    # 关闭进程池，等待所有任务执行完毕
    pool.close()
    pool.join()

上面的代码中，我们使用Pool类创建了一个进程池，最大进程数为3。然后，我们使用apply_async方法将5个任务分配给进程池。最后，我们调用close方法关闭进程池，并使用join方法等待所有任务执行完毕。

当我们运行这个程序时，会输出下面的结果：

Worker 0 is running
Worker 1 is running
Worker 2 is running
Worker 3 is running
Worker 4 is running

可以看到，5个任务被分配给了3个进程，并发执行。

三·进程池

Python进程池是一种用于管理和调度多个进程的技术，它能够提高程序的并发性和效率。通过创建一个进程池，我们可以将多个任务分配给池中的进程，使得它们可以并行执行，从而加快程序的运行速度。

创建多个进程，我们不用傻傻地一个个去创建。我们可以使用Pool模块来搞定。Pool 常用的方法如下：

方法	含义
apply()	同步执行（串行）
apply_async()	异步执行（并行）
terminate()	立刻关闭进程池
join()	主进程等待所有子进程执行完毕。必须在close或terminate()之后使用
close()	等待所有进程结束后，才关闭进程池

Pool类提供了一个简单的接口来创建进程池并管理多个进程。下面是一个简单的示例代码：

import multiprocessing

def func(x):
    return x*x

if __name__ == '__main__':
    with multiprocessing.Pool(processes=4) as pool:
        results = pool.map(func, [1, 2, 3, 4, 5])
        print(results)

在上面的代码中，我们定义了一个名为func的函数，它接受一个参数并返回其平方值。接下来，我们使用with语句创建了一个进程池，并指定了进程数为4。然后，我们使用map方法将任务分配给进程池中的进程，并将结果存储在results变量中。

在这个例子中，我们使用了map方法来将任务分配给进程池中的进程。map方法接受一个函数和一个可迭代对象作为参数，并返回一个列表，其中包含了函数对每个元素的处理结果。在这个例子中，我们将func函数和一个包含5个数字的列表作为参数传递给map方法，最终得到了一个包含5个数字平方值的列表。

四·线程池

Python线程池和进程池类似，也是一种用于管理和调度多个线程的技术，它能够提高程序的并发性和效率。
通过创建一个线程池，我们可以将多个任务分配给池中的线程，使得它们可以并行执行，从而加快程序的运行速度。

Python中的线程池可以使用concurrent.futures模块中的ThreadPoolExecutor类来实现。
ThreadPoolExecutor类提供了一个简单的接口来创建线程池并管理多个线程。下面是一个简单的示例代码：

import concurrent.futures

def func(x):
    return x*x

if __name__ == '__main__':
    with concurrent.futures.ThreadPoolExecutor(max_workers=4) as executor:
        results = executor.map(func, [1, 2, 3, 4, 5])
        print(list(results))

在上面的代码中，我们定义了一个名为func的函数，它接受一个参数并返回其平方值。接下来，我们使用with语句创建了一个线程池，并指定了线程数为4。然后，我们使用map方法将任务分配给线程池中的线程，并将结果存储在results变量中。

在这个例子中，我们使用了map方法来将任务分配给线程池中的线程。map方法接受一个函数和一个可迭代对象作为参数，并返回一个迭代器，其中包含了函数对每个元素的处理结果。在这个例子中，我们将func函数和一个包含5个数字的列表作为参数传递给map方法，最终得到了一个包含5个数字平方值的列表。

五·多进程和多线程的区别

多线程和多进程都是用于提高程序并行处理能力的技术，但它们有以下几个方面的不同：

1. 资源占用：多进程需要更多的资源，每个进程都需要独立的内存空间、CPU时间片等，而多线程则共享进程的资源，每个线程只需独立的栈空间和程序计数器。

2. 数据共享：多进程之间的数据通信比较麻烦，需要使用IPC（进程间通信）技术，而多线程之间的数据共享比较容易，可以使用共享内存等方式。

3. 稳定性：多进程的稳定性比较高，一个进程崩溃不会影响其他进程的正常运行，而多线程的稳定性较差，一个线程崩溃可能会导致整个进程崩溃。

4. 编程难度：多线程的编程难度比较低，因为线程间的数据共享比较容易处理，而多进程的编程难度较高，因为进程间的数据共享需要使用IPC技术。

程序一般属于两种类型：CPU密集型和I/O密集型。

• CPU 密集型：程序比较偏重于计算，需要经常使用CPU来运算。例如科学计算的程序，机器学习的程序等。
• I/O 密集型：顾名思义就是程序需要频繁进行输入输出操作。爬虫程序就是典型的I/O密集型程序。

如果程序是属于CPU密集型，建议使用多进程。而多线程就更适合应用于I/O密集型程序。

六·实战演示

北京新发地线程池实战

1·任务目标 ：使用线程池获取北京新发地蔬菜前一百页数据到csv文件中。

2·按照之前学过的知识，我们一步一步来，按照普通的方法，先找数据，接着将数据获取到本地，然后在写入csv文件。

3·通过查找数据和抓包，我们知道了数据在什么地方，接下来我们使用代码来将数据获取到本地：

4·代码如下：（获取第一页数据的代码）

import requests

url = 'http://www.xinfadi.com.cn/getPriceData.html'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
}

json_data = requests.post(url, headers=headers).json()
print(json_data)

5·数据如下：

6·我们将数据解析放入csv文件中：

import csv

import requests

url = 'http://www.xinfadi.com.cn/getPriceData.html'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
}

head = ['id', 'prodName', 'prodCatid', 'prodCat', 'prodPcatid', 'prodPcat', 'lowPrice', 'highPrice', 'avgPrice',
        'place', 'specInfo', 'unitInfo', 'pubDate', 'status', 'userIdCreate', 'userIdModified', 'userCreate',
        'userModified', 'gmtCreate', 'gmtModified']

f = open('data.csv', 'w+', encoding='gbk', newline='')
csv_file = csv.writer(f)
csv_file.writerow(head)

json_data = requests.post(url, headers=headers).json()
# print(json_data)
for dict_obj in (json_data['list']):

    data_list = []
    for j in head:
        data_list.append(dict_obj[j])
    csv_file.writerow(data_list)
f.close()

7·这是第一页数据，完成了一大步。接着我们开始写循环，并且使用线程池来帮助我们更快的获取数据到本地。

8·重要的代码我都写上了注释方便理解，就不在代码片以外做过多的解释；

import csv
from concurrent.futures import ThreadPoolExecutor

import requests

url = 'http://www.xinfadi.com.cn/getPriceData.html'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/109.0.0.0 Safari/537.36'
}

# 字段
head = ['id', 'prodName', 'prodCatid', 'prodCat', 'prodPcatid', 'prodPcat', 'lowPrice', 'highPrice', 'avgPrice',
        'place', 'specInfo', 'unitInfo', 'pubDate', 'status', 'userIdCreate', 'userIdModified', 'userCreate',
        'userModified', 'gmtCreate', 'gmtModified']

# 创建csv文件
f = open('data.csv', 'w+', encoding='gbk', newline='')
csv_file = csv.writer(f)
csv_file.writerow(head)

#   创建了一个名为pool的ThreadPoolExecutor对象，其中线程池大小为20。20为最大线程数量  
pool = ThreadPoolExecutor(20)


def data_get(page):  # 定义了一个名为data_get的函数，用于获取每一页的数据，并将数据存储到CSV文件中。函数中的参数page表示当前页数。
    data = {
        'limit': 20,
        'current': page
    }
    #定义了一个名为data的字典，用于存储POST请求的参数。然后使用requests库发送POST请求，并将返回的JSON数据转换为字典格式。
    json_data = requests.post(url, headers=headers, data=data).json()
    for dict_obj in (json_data['list']): #使用for循环遍历每一个字典对象，并将需要的数据存储到一个列表中。最后，使用csv库将数据写入到CSV文件中。

        data_list = []
        for j in head:
            data_list.append(dict_obj[j])  # i是一个字典 j是key

        print(page, data_list)
        # 存储数据 安行写入数据
        csv_file.writerow(data_list)


for index in range(1, 1 + 100):  # 循环页数
    pool.submit(data_get, index)  # 将数据存入线程池
#在主函数中使用for循环遍历每一页数据，并将每一页数据提交给线程池中的线程进行处理。具体地，使用pool.submit()方法将数据提交给线程池中的线程。
# 是否等线程全部结束继续往下面运行，相当于多线程的join()
pool.shutdown(True)  #使用pool.shutdown(True)方法等待所有线程结束。其中，参数True表示等待所有线程结束后再继续往下执行。
# 关闭文件，将数据存入到文件
f.close()

9·任务目标到此就算完成，使用线程池获取数据能提高效率和节省资源，提高稳定性等。想要熟练的使用线程池就必须了解线程池的基本概念和原理，学习线程池的实现方法，然后练习使用线程池解决实际问题。

写在最后：
本专栏所有文章是博主学习笔记，仅供学习使用，爬虫只是一种技术，希望学习过的人能正确使用它。
博主也会定时一周三更爬虫相关技术更大家系统学习，如有问题，可以私信我，没有回，那我可能在上课或者睡觉，写作不易，感谢大家的支持！！