爬虫数据结构 | 易学教程

一、多任务简介

1、为什么要使用多任务爬虫？

在大量的url需要请求时，单线程/单进程去爬取，速度太慢，此时cpu不工作，浪费cpu资源。

爬取与写入文件分离，可以规避io操作，增加爬取速度，充分利用cpu。

2、多任务分类

进程：进程是操作资源分配的最小单位，一个运行的程序，至少包括一个进程，进程之间数据不能共享。（利用多核）

线程：线程是cpu调度的最小单位，一个进程中至少含有一个线程，线程中数据是共享的，如果多个线程操作同一个对象时，需要考虑数据安全问题。（爬虫中最常用）

协程：协程位于线程内部，如果一个线程中运行的代码，遇到IO操作时，切换到线程其他代码执行（最大程度的规避IO操作）

2、如何提高程序的运行速度

1、提高CPU的利用率

假如我们的程序有只有一个线程，CPU就只处理这一个线程。如果在程序中遇到IO操作。此时CPU就不工作了。休息的这段时间，就浪费了CPU的资源。

若我们的程序是多线程的，CPU会在这多个任务之间切换，如果其中一个线程阻塞了，CPU不会休息，会处理其他线程。

2、增加CPU数量

一个CPU同一时间只能护理一个任务，若我们增加CPU数量，那么多个CPU处理多个任务，也会提升程序的运行速度，例如使用多进程。

二、python中的threading模块（开启多线程）

cpython解释器下的 python中没有真正的多线程（因为多个线程不能同时在多核上执行，只能在一个CPU上进行多个线程的切换轮流执行，在视觉效果上看起来同时在执行），造成这个情况的原因是因为GIL（全局性解释器锁），在一个进程中，多个线程是数据共享的，如果不设置全局解释性锁，多个线程可能在同一时间对同一个变量进行操作，造成变量的引用计数不正确，影响其进行垃圾回收，所以需要加全局性解释器锁。

2.1、多线程开启方法

from threading import Thread

1、使用函数

t = Thread(

target=线程执行的任务（方法）名字，

args = 执行方法的参数，是一个元组

)---创建线程

t.start()---启动线程

2、使用类

class Mythread(Thread)

def __init__(self,参数)

self.参数=参数

super(Mythread,self).__init__()

def run(self):

将需要多任务执行的代码，添加到此处

if __name__ == '__main__':

my = Mythread(参数)

my.start()

2.2、线程中常用的几个方法

from threading import Thread, current_thread, enumerate, active_count

import time

import random

class MyThread(Thread):

def run(self):

time.sleep(random.random())

msg = "I'm" + self.name + "@" + str(i) #self.name 当前线程名

print(msg)

print(current_thread().ident) #当前线程的id号

print(current_thread().is_alive()) #当前线程是否存活

if __name__ == '__main__':

t_list=[]

for i in range(5):

t = MyThread()

t.start()

t_list.append(t)

while active_count() > 1: #active_count() 当前存活线程数，包括主线程

print(enumerate()) #enumerate() 当前存活线程列表，包括主线程

for i in t_list:

i.join() #join方法，会使异步执行的多线程，变为同步执行，主线程会等i线程执行完，才会往下执行。

2.3、守护线程

守护线程，当一个子线程设置为守护线程时，该子线程会等待其他非守护子线程和主线程执行完成后，结束线程。

from threading import Thread, current_thread

import time

def bar():

while True:

time.sleep(1)

print(current_thread().name)

def foo():

print(f'{current_thread().name}开始了...')

time.sleep(2)

print(f'{current_thread().name}结束了...')

if __name__ == '__main__':

t1 = Thread(target=bar)

t1.daemon = True #将t1设置为守护线程，

t1.start()

t2 = Thread(target=foo)

t2.start()

#执行结果

Thread-2开始了...

Thread-1

Thread-2结束了...

2.4、锁

在使用多线程爬虫的时候，有时候多个线程会对同一个文件进行读写。造成数据不安全，下面是一个Tencent招聘的例子，在写入excel文件中的时候，由于多个线程对同一个文件进行写入操作，造成数据不安全。

import requests

from jsonpath import jsonpath

from excle_wirte import ExcelUtils

from threading import Thread

import os

from multiprocessing import Lock

import threading

def get_content(url):

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',

'referer': 'https://careers.tencent.com/search.html'

}

print(url)

res = requests.get(url, headers=headers).json()

jp = jsonpath(res, '$.*.Posts.*')

return jp

def write_excel(filename, item_list, sheetname):

if not os.path.exists(filename):

ExcelUtils.write_to_excel(filename, item_list, sheetname)

else:

ExcelUtils.append_to_excel(filename, item_list)

def main(i, lock):

base_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1585401795646&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=20&language=zh-cn&area=cn'

content = get_content(base_url.format(i))

with lock: #加锁

write_excel('tencent.xls', content, 'hr')

if __name__ == '__main__':

lock = Lock() #创建锁

for i in range(1, 11):

t = Thread(target=main, args=(i, lock))

t.start()

2.5、生产者与消费者模型

生产者和消费者问题是线程模型中的经典问题：生产者和消费者在同一时间段内共用同一个存储空间，生产者往存储空间中添加产品，消费者从存储空间中取走产品，当存储空间为空时，消费者阻塞，当存储空间满时，生产者阻塞。

例子：Tencent招聘生产者与消费者版本,我这里是用函数写的，当然也可以用类来写，会更加方便。

import requests

from jsonpath import jsonpath

from excle_wirte import ExcelUtils

from threading import Thread

import os

from multiprocessing import Lock

from queue import Queue

flag = False

def ger_url_list(num, url_queue):

for i in range(1, num + 1):

url_queue.put(base_url.format(i))

def producer(url_queue, content_queue):

headers = {

'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',

'referer': 'https://careers.tencent.com/search.html'

}

while True:

try:

url = url_queue.get_nowait()

res = requests.get(url, headers=headers).json()

jp = jsonpath(res, '$.*.Posts.*')

content_queue.put(jp)

except Exception as e:

break

def consumer(content_queue, lock, filename, sheetname):

while True:

if content_queue.empty() and flag:

break

try:

item_list = content_queue.get_nowait()

with lock:

if not os.path.exists(filename):

ExcelUtils.write_to_excel(filename, item_list, sheetname)

else:

ExcelUtils.append_to_excel(filename, item_list)

except Exception as e:

pass

if __name__ == '__main__':

p_t_list = []

url_queue = Queue() #存放url的队列

content_queue = Queue() #网页内容队列

ger_url_list(10, url_queue) #往url队列添加url

lock = Lock() #创建锁对象

for i in range(4): # 开启四个线程来抓取网页内容

p_t = Thread(target=producer, args=(url_queue, content_queue))

p_t.start()

p_t_list.append(p_t)

for i in range(4): #四个线程来解析内容和写入文件

t = Thread(target=consumer, args=(content_queue, lock, 'tencent.xls', 'hr'))

t.start()

for i in p_t_list:

i.join()

flag=True #判断标志，用来判断生产者是否生产完毕。

2.6、多进程

多进程一般用于处理计算密集型任务，在爬虫方面用的较少，因为多进程开启数量依赖于CPU核心数，且多进程开启操作系统需要为每个进程分配资源，效率不高。这里只简单说明python中使用的库和使用方法，注意进程间不能之间进行数据交换，需要依赖于IPC(Inter-Process Communication)进程间通信，提供了各种进程间通信的方法进行数据交换），常用方法为队列和管道和Socket。当然还有第三方工具，例如RabbitMQ，redis

from multiprocessing import Process

1、使用函数

t = Thread(

target=进程执行的任务（方法）名字，

args = 执行方法的参数，是一个元组

)---创建进程

t.start()---启动进程

2、使用类

class MyProcess(Process)

def __init__(self,参数)

self.参数=参数

super(Mythread,self).__init__()