我们在写python爬虫的过程中，对于大量数据的抓取总是希望能获得更高的速度和效率，但由于网络请求的延迟、IO的限制，单线程的运行总是不能让人满意。因此有了多线程、异步协程等技术。

下面介绍一下python中的多线程及线程池技术，并通过一个具体的爬虫案例实现具体运用。

多线程

先来分析单线程。写两个测试函数

1
2
3
4
5
6
7
def func1():
    for i in range(500000):
        print("func1", i)

def func2():
    for i in range(500000):
        print("func2", i)

在主函数中调用

1
2
3
if __name__ == "__main__":
    func1()
    func2()

当程序执行时，按照主程序中的执行顺序，func1全部运行完毕后才会运行func2，这就是单线程的效果。

接下来测试多线程。
先导包

1
from threading import Thread

改造主函数

1
2
3
4
5
6
7
thread1 = Thread(target=func1)
thread1.start()
thread2 = Thread(target=func2)
thread2.start()

thread1.join()
thread2.join()

这里的thread.join()是阻塞进程，因为这里主函数中没有

执行效果如下：

可以看到func1和func2函数分为两个不同的线程同时工作、互不干扰。

线程池

以此类推，如果同时开着20个这样的线程，是否可以同时执行呢？但手动分配这么多线程显然是不可能的，因此引入线程池这一概念，一次开辟一些进程，我们用户直接给线程池提交任务，线程任务的调度交给线程池来完成。这样一来，就能十分方便的分配线程的任务了。

首先导包

1
from concurrent.futures import ThreadPoolExecutor

改造一下子函数

1
2
3
def func(url):
    for i in range(1000):
        print(url)

主函数

1
2
3
4
5
6
if __name__ == "__main__":
    # 创建线程池
    with ThreadPoolExecutor(50) as t:
        for i in range(100):
            t.submit(func, url=f"线程{i}")
    print("over")

我们建立一个线程池，分配50个线程，提交100个任务，让他们去自由分配。现有的50个线程先去拿到了1-50这些任务，当谁先完成就去拿到51个任务，以此类推。相当于50个工人一起干活，互不干涉，显然效率较单人更高一些。
再来看运行结果

线程锁

了解了线程池的基本概念之后就可以去改造我们的爬虫了。但是在此之前该需要了解一个线程锁的概念。先看下面这个例子

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from threading import Thread
num = 0
def add():
    global num
    for i in range(100000):
        num += 1

def minus():
    global num
    for i in range(100000):
        num -= 1

if __name__=="__main__":
    thread1 = Thread(target=add)
    thread2 = Thread(target=minus)
    thread1.start()
    thread2.start()

    thread1.join()
    thread2.join()

    print(num)

开辟两个线程,一个做自增一个做自减，他们两个同时运行，按常理num最终的值应为0，但实际运行结果是不稳定的。

由于每个线程运行速度极快，因此在他们的临界点都想对全局变量num操作时会出现竞争状态，有可能出现数值丢失、自增失败的情况，因此需要加入线程锁来控制每次只允许有一个线程对全局变量num进行操作。

1
2
import threading
lock = threading.Lock()
1
2
3
lock.acquire()
num += 1
lock.release()

在线程中的关键操作加上线程锁，再跑起来就不会出现竞争状态了。

爬虫实战

要在爬虫中运用到线程池，基本的思路很简单，
1.如何抓取到单个页面的数据
2.上线程池批量抓取

目标：https://www.dydytt.net/html/gndy/dyzz/list_23_1.html
这里仅做线程池的基本实验，具体案例移步这里

先随便写个爬虫拿到第一页的所有电影标题数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import requests
from lxml import etree
filmNameList = []
def download(url):
    global filmNameList
    resp = requests.get(url)
    resp.encoding="gb2312"
    html = etree.HTML(resp.text)
    filmName = html.xpath('//table[@class="tbspan"]/tr[2]/td[2]/b/a/text()')
    for each in filmName:
        filmNameList.append(each)
    pass

if __name__=="__main__":
    url = "https://www.dydytt.net/html/gndy/dyzz/list_23_1.html"
    download(url)
    for i in filmNameList:
        print(i)

非常轻松的拿到了第一页的数据

接下来上线程池

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import requests
import threading
from concurrent.futures import ThreadPoolExecutor
from lxml import etree
filmNameList = []
lock = threading.Lock()

def download(url):
    global filmNameList
    resp = requests.get(url)
    resp.encoding="gb2312"
    html = etree.HTML(resp.text)
    filmName = html.xpath('//table[@class="tbspan"]/tr[2]/td[2]/b/a/text()')
    for each in filmName:
        lock.acquire()
        filmNameList.append(each)
        lock.release()
    resp.close()

if __name__=="__main__":
    with ThreadPoolExecutor(5) as t:
        for i in range(1, 11):
            url = f"https://www.dydytt.net/html/gndy/dyzz/list_23_{i}.html"
            t.submit(download, url=url)
    for i in filmNameList:
        print(i)

    print(f"total_len is {len(filmNameList)}")

我们给线程池分配了5个线程，抓了前10页共250条数据。

****