Python爬虫中的多线程、线程池

进程和线程的基本介绍

进程是一个资源单位，线程是一个执行单位，CPU调度线程来执行程序代码。

当运行一个程序时，会给这个程序分配一个内存空间，存放变量等各种信息资源，而这个内存空间可以说是一个进程， 一个进程默认情况下会有一个线程，称为主线程（因为执行是靠线程的，CPU调度线程来执行程序代码，如果没有线程，那么进程中的资源就不能被使用，代码也就不能被执行）

做个比喻：一个进程相当于一个公司，公司里有各种办公资源，而公司里的员工就相当于线程，工作由员工使用办公资源完成， 如果没有员工，那么那些办公资源不会自动把工作完成，而一个公司必须至少有一个员工，不然公司还能自己成立嘛？

单线程

def func():
    for i in range(3):
        print('func: ', i)


if __name__ == '__main__':
    
    func()
    for i in range(3):
        print('main: ', i)

执行效果：

?

多线程（写法一）

from threading import Thread

# 多线程
def func():
    for i in range(3):
        print('func: ', i)


if __name__ == '__main__':
    # 创建一个线程，target参数是告诉这个线程该干什么事
    # 就比如招聘了一个新员工，要给他安排任务
    # 此处给线程的任务就是调用func方法
    t = Thread(target=func)
    # 启动线程，告诉线程可以开始干活了
    # 注意，start方法只是说线程的状态是工作状态，但是什么时候真的开始执行，由CPU决定
    # 就是说线程已经随时准备就绪，等待CPU的调度执行
    t.start()
    for i in range(3):
        print('main: ', i)


# 多线程
def func(name):
    for i in range(3):
        print(name, i)


if __name__ == '__main__':
    # 要给func传递参数，则可以利用args参数
    # 注意，args接收的是元祖，所以只有一个参数的话，要加上逗号
    t1 = Thread(target=func, args=('线程1',))
    t1.start()
    
    # 创建第二个线程
    t2 = Thread(target=func, args='线程2',)
    for i in range(3):
        print('main: ', i)

?执行结果：

多线程（写法二）

from threading import Thread

# 多线程（写法二）
# 自定义线程类，要继承 Thread
class MyThread(Thread):
    def run(self):  # 重写run方法
        for i in range(3):
            print('子线程: ', i)


if __name__ == '__main__':
    t = MyThread()
    # 注意，不能 t.run() ，否则就相当于方法调用，那么就是单线程而不是多线程
    # 必须通过start方法调用
    # t.run()  # 错误

    # 调用start方法时，start方法会自己去调用run方法
    # 所以当线程被执行时，执行的是run方法里的代码逻辑
    t.start()
    for i in range(3):
        print('主线程: ', i)

执行效果

创建多进程

和创建多线程差不多?

from multiprocessing import Process

def func():
    for i in range(3):
        print('子进程：', i)

# 创建进程比创建线程所耗费的资源要多很多，所以一般我们使用的都是线程
if __name__ == '__main__':
    # 如果打印结果不是混着的，应该也是正常的，因为我执行的时候结果和单线程一样
    p = Process(target=func)
    p.start()
    for i in range(3):
        print('主进程：', i)

线程池和进程池基本介绍

假设现在我们要爬取一个网站的评论信息，这个网站的评论由于有很多，被分为1000页，那么我们可以用for循环去爬取每一页的评论数据，但我们想提高效率，利用线程来完成。

我们可以创建1000个线程，每个线程分别爬取一个分页，但是创建线程也需要耗费时间和资源，创建1000个线程的效率可能不一定比for循环效率高。

那我们可以考虑少创建一些线程，比如创建50个线程，然后让这50个线程依次去爬取1000个分页的评论，这就是线程池的作用。我们不需要关心这50个线程的具体调度情况，比如哪个进程爬取了哪些网页之类的，我们只需要知道，这50个线程会一起合作，完成1000个URL的爬取任务即可。而具体的每个线程的调度安排由线程池管理。

所以线程池就是一次性开辟一些线程（如一次性开辟50个线程），我们用户直接给线程池提交某个任务（比如爬取1000个URL），由线程池安排这50个线程去共同完成这个任务。

线程池代码如下，进程池的使用和线程池一样，只需要把?ThreadPoolExecutor 换成?ProcessPoolExecutor就行

# ThreadPoolExecutor 线程池， ProcessPoolExecutor 进程池
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor

def task(name):
    print('执行任务', name)

if __name__ == '__main__':
    # 创建有3个进程的进程池
    with ThreadPoolExecutor(3) as t:
        for i in range(6):  # 现在要完成6个任务，将这6个任务分配给3个线程
            # 向线程池t提交任务task， 任务task需要传惨直接在后面写上，如name=xxx
            t.submit(task, name=f'task{i}')

    # 只有上述线程池代码执行完成后，才会接着往下执行
    print('任务全部执行完毕...')

执行效果如下图：

?进程池的应用——爬取北京新发地的价格数据

import requests
from concurrent.futures import ThreadPoolExecutor


def download_one_page(cur_page):
    url = 'http://www.xinfadi.com.cn/getPriceData.html'
    data = {
        'limit': 20,
        'current': cur_page,  # 第多少页的数据
        'pubDateStartTime': '',
        'pubDateEndTime': '',
        'prodPcatid': '',
        'prodCatid': '',
        'prodName': ''
    }
    resp = requests.post(url, data=data)
    print(resp.json())


if __name__ == '__main__':
    # 可以分别对比for循环和用线程池两种爬取方式，会看到线程池的速度要快很多
    # for i in range(1, 101): 
    #     download_one_page(i)
    with ThreadPoolExecutor(10) as t:  # 创建有10个进程的进程池
        for i in range(1, 101):  # 数据太多了，这里只爬取前100页
            t.submit(download_one_page, cur_page=i)
    print('爬取北京新发地前100页数据完成！')

?