如何分析Python多线程在爬虫中的应用

本篇文章为大家展示了如何分析Python多线程在爬虫中的应用，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

坚守“ 做人真诚 · 做事靠谱 · 口碑至上 · 高效敬业 ”的价值观，专业网站建设服务10余年为成都茶楼设计小微创业公司专业提供成都企业网站建设营销网站建设商城网站建设手机网站建设小程序网站建设网站改版，从内容策划、视觉设计、底层架构、网页布局、功能开发迭代于一体的高端网站建设服务。

作为测试工程师经常需要解决测试数据来源的问题，解决思路无非是三种：

1、直接从生产环境拷贝真实数据

2、从互联网上爬取数据

3、自己用脚本或者工具造数据。

前段时间，为了获取更多的测试数据，笔者就做了一个从互联网上爬取数据的爬虫程序，虽然功能上基本满足项目的需求，但是爬取的效率还是不太高。

作为一个精益求精的测试工程师，决定研究一下多线程在爬虫领域的应用，以提高爬虫的效率。

一、为什么需要多线程

凡事知其然也要知其所以然。在了解多线程的相关知识之前，我们先来看看为什么需要多线程。打个比方吧，你要搬家了，单线程就类似于请了一个搬家工人，他一个人负责打包、搬运、开车、卸货等一系列操作流程，这个工作效率可想而知是很慢的；而多线程就相当于请了四个搬家工人，甲打包完交给已搬运到车上，然后丙开车送往目的地，最后由丁来卸货。

由此可见多线程的好处就是高效、可以充分利用资源，坏处就是各个线程之间要相互协调，否则容易乱套（类似于一个和尚挑水喝、两个和尚抬水喝、三个和尚没水喝的窘境）。所以为了提高爬虫效率，我们在使用多线程时要格外注意多线程的管理问题。

二、多线程的基本知识

进程：由程序，数据集，进程控制块三部分组成，它是程序在数据集上的一次运行过程。如果同一段程序在某个数据集上运行了两次，那就是开启了两个进程。进程是资源管理的基本单位。在操作系统中，每个进程有一个地址空间，而且默认就有一个控制进程。

线程：是进程的一个实体，是 CPU 调度和分派的基本单位，也是最小的执行单位。它的出现降低了上下文切换的消耗，提高了系统的并发性，并克服了一个进程只能干一件事的缺陷。线程由进程来管理，多个线程共享父进程的资源空间。

进程和线程的关系：

一个线程只能属于一个进程，而一个进程可以有多个线程，但至少有一个线程。

资源分配给进程，同一进程的所有线程共享该进程的所有资源。

CPU 分给线程，即真正在 CPU 上运行的是线程。

线程的工作方式：

如下图所示，串行指线程一个个地在 CPU 上执行；并行是在多个 CPU 上运行多个

线程；而并发是一种“伪并行”，一个 CPU 同一时刻只能执行一个任务，把 CPU 的时间

分片，一个线程只占用一个很短的时间片，然后各个线程轮流，由于时间片很短所以在

用户看来所有线程都是“同时”的。并发也是大多数单 CPU 多线程的实际运行方式。

点击添加图片描述（最多60个字）

进程的工作状态：

一个进程有三种状态：运行、阻塞、就绪。三种状态之间的转换关系如下图所示：运行态的进程可能由于等待输入而主动进入阻塞状态，也可能由于调度程序选择其他进程而被动进入就绪状态（一般是分给它的 CPU 时间到了）；阻塞状态的进程由于等到了有效的输入而进入就绪状态；就绪状态的进程因为调度程序再次选择了它而再次进入运行状态。

点击添加图片描述（最多60个字）

三、多线程通信实例

还是回到爬虫的问题上来，我们知道爬取博客文章的时候都是先爬取列表页，然后根据列表页的爬取结果再来爬取文章详情内容。而且列表页的爬取速度肯定要比详情页的爬取速度快。

这样的话，我们可以设计线程 A 负责爬取文章列表页，线程 B、线程 C、线程 D 负责爬取文章详情。A 将列表 URL 结果放到一个类似全局变量的结构里，线程 B、C、D从这个结构里取结果。

在 PYTHON 中，有两个支持多线程的模块：threading 模块--负责线程的创建、开启等操作；queque 模块--负责维护那个类似于全局变量的结构。

这里还要补充一点：也许有同学会问直接用一个全局变量不就可以了么？干嘛非要用 queue？

因为全局变量并不是线程安全的，比如说全局变量里（列表类型）只有一个 url 了，线程 B 判断了一下全局变量非空，在还没有取出该 url 之前，cpu 把时间片给了线程 C，线程 C 将最后一个url 取走了，这时 cpu 时间片又轮到了 B，B 就会因为在一个空的列表里取数据而报错。

而 queue 模块实现了多生产者、多消费者队列，在放值取值时是线程安全的。

废话不多说了，直接上代码给大伙看看：

import threading # 导入 threading 模块

from queue import Queue #导入 queue 模块

import time #导入 time 模块

# 爬取文章详情页

def get_detail_html(detail_url_list, id):

while True:

url = detail_url_list.get() #Queue 队列的 get 方法用于从队列中提取元素

time.sleep(2) # 延时 2s，模拟网络请求和爬取文章详情的过程

print("thread {id}: get {url} detail finished".format(id=id,url=url)) #打印线程 id 和被爬取了文章内容的 url

# 爬取文章列表页

def get_detail_url(queue):

for i in range(10000):

time.sleep(1) # 延时 1s，模拟比爬取文章详情要快

queue.put("http://testedu.com/{id}".format(id=i))#Queue 队列的 put 方法用于向 Queue 队列中放置元素，由于 Queue 是先进先出队列，所以先被 Put 的 URL 也就会被先 get 出来。

print("get detail url {id} end".format(id=i))#打印出得到了哪些文章的 url

#主函数

if __name__ == "__main__":

detail_url_queue = Queue(maxsize=1000) #用 Queue 构造一个大小为 1000 的线程安全的先进先出队列

# 先创造四个线程

thread = threading.Thread(target=get_detail_url, args=(detail_url_queue,)) #A 线程负责抓取列表

url

html_thread= []

for i in range(3):

thread2 = threading.Thread(target=get_detail_html, args=(detail_url_queue,i))

html_thread.append(thread2)#B C D 线程抓取文章详情

start_time = time.time()

# 启动四个线程

thread.start()

for i in range(3):

html_thread[i].start()

# 等待所有线程结束，thread.join()函数代表子线程完成之前，其父进程一直处于阻塞状态。

thread.join()

for i in range(3):

html_thread[i].join()

print("last time: {} s".format(time.time()-start_time))#等 ABCD 四个线程都结束后，在主进程中计算总爬取时间。

运行结果：

从运行结果可以看出各个线程之间井然有序地工作着，没有出现任何报错和告警的情况。可见使用 Queue 队列实现多线程间的通信比直接使用全局变量要安全很多。而且使用多线程比不使用多线程的话，爬取时间上也要少很多，在提高了爬虫效率的同时也兼顾了线程的安全，可以说在爬取测试数据的过程中是非常实用的一种方式。

上述内容就是如何分析Python多线程在爬虫中的应用，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。