python爬虫进阶使用多线程爬取小说

我就是我 2022-03-31 13:30 406阅读 0赞

Python多线程，thread标准库。都说Python的多线程是鸡肋，推荐使用多进程。

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1][]

**Python为了安全考虑有一个GIL**。**每个CPU在同一时间只能执行一个线程**

GIL的全称是Global Interpreter Lock(全局解释器锁)，就相当于通行证，每一次线程会先要去申请通行证，通行证申请下来了，才能进入CPU执行。

每个线程的执行方式：

*  1、获取GIL
    
    2、执行代码直到sleep或者是python虚拟机将其挂起。
 *  3、释放GIL
    
    每次释放GIL锁，线程进行锁竞争、切换线程，会消耗资源。并且由于GIL锁存在，python里一个进程永远只能同时执行一个线程(拿到GIL的线程才能执行)，这就是为什么在多核CPU上，python的多线程效率并不高。

下面使用多线程加队列做的一个demo。爬取的是笔趣阁的小说，只是做了一个打印，没有做具体的保存。爬取用的selenium。Chrome的无头模式。有点慢，可以直接用库，或者跑整站的话用scrapy.

使用Threading模块创建线程，直接从threading.Thread继承，然后重写init方法和run方法：

## **线程同步** ##

如果多个线程共同对某个数据修改，则可能出现不可预料的结果，为了保证数据的正确性，需要对多个线程进行同步。

使用Thread对象的Lock和Rlock可以实现简单的线程同步，这两个对象都有acquire方法和release方法，对于那些需要每次只允许一个线程操作的数据，可以将其操作放到acquire和release方法之间。如下：

多线程的优势在于可以同时运行多个任务（至少感觉起来是这样）。但是当线程需要共享数据时，可能存在数据不同步的问题。

考虑这样一种情况：一个列表里所有元素都是0，线程”set”从后向前把所有元素改成1，而线程”print”负责从前往后读取列表并打印。

那么，可能线程”set”开始改的时候，线程”print”便来打印列表了，输出就成了一半0一半1，这就是数据的不同步。为了避免这种情况，引入了锁的概念。

锁有两种状态——锁定和未锁定。每当一个线程比如”set”要访问共享数据时，必须先获得锁定；如果已经有别的线程比如”print”获得锁定了，那么就让线程”set”暂停，也就是同步阻塞；等到线程”print”访问完毕，释放锁以后，再让线程”set”继续。

经过这样的处理，打印列表时要么全部输出0，要么全部输出1，不会再出现一半0一半1的尴尬场面。

## **线程优先级队列** ##

Python的Queue模块中提供了同步的、线程安全的队列类，包括FIFO（先入先出)队列Queue，LIFO（后入先出）队列LifoQueue，和优先级队列PriorityQueue。这些队列都实现了锁原语，能够在多线程中直接使用。可以使用队列来实现线程间的同步。

Queue模块中的常用方法:

*  Queue.qsize() 返回队列的大小
 *  Queue.empty() 如果队列为空，返回True,反之False
 *  Queue.full() 如果队列满了，返回True,反之False
 *  Queue.full 与 maxsize 大小对应
 *  Queue.get(\[block\[, timeout\]\])获取队列，timeout等待时间
 *  Queue.get\_nowait() 相当Queue.get(False)
 *  Queue.put(item) 写入队列，timeout等待时间
 *  Queue.put\_nowait(item) 相当Queue.put(item, False)
 *  Queue.task\_done() 在完成一项工作之后，Queue.task\_done()函数向任务已经完成的队列发送一个信号
 *  Queue.join() 实际上意味着等到队列为空，再执行别的操作

import queue
    import threading
    from selenium import webdriver
    from selenium.webdriver.chrome.options import Options
    
    exitFlag = 0
    q = queue.Queue()
    chrome_options = Options()
    chrome_options.add_argument('--headless')
    
    class scrapy_biquge():
    
        def get_url(self):
    
            browser = webdriver.Chrome(chrome_options=chrome_options)
            browser.get('http://www.xbiquge.la/xuanhuanxiaoshuo/')
            content = browser.find_element_by_class_name("r")
            content = content.find_elements_by_xpath('//ul/li/span[@class="s2"]/a')
    
            for i in content:
                title = i.text
                href = i.get_attribute('href')
                print(title+'+'+href)
                q.put(title+'+'+href)
    
            browser.close()
            browser.quit()
    
    
    class myThread (threading.Thread):   # 继承父类threading.Thread
        def __init__(self, threadID, name, counter):
            threading.Thread.__init__(self)
            self.threadID = threadID
            self.name = name
            self.counter = counter
    
        def run(self):                   #把要执行的代码写到run函数里面 线程在创建后会直接运行run函数
            print(self.name)
            while not exitFlag:
                queueLock.acquire()
                if not q.empty():
                    item = q.get()
                    queueLock.release()
                    title = item.split('+')[0]
                    href = item.split('+')[1]
                    get_content(title, href)
                else:
                    print('数据全部结束')
                    queueLock.release()
    
    
    def get_content(title, href):
    
        browser = webdriver.Chrome(chrome_options=chrome_options)
        browser.get(href)
        browser.find_element_by_id('list')
        novel_content = browser.find_elements_by_xpath('//dl/dd/a')
        for novel in novel_content:
            novel_dir = novel.text
            novel_dir_href = novel.get_attribute('href')
            print(title, novel_dir, novel_dir_href)
        browser.close()
        browser.quit()
    
    
    if __name__ == '__main__':
        # 所有url进队列以后，启动线程
        scrapy_biquge().get_url()
        threadList = ["Thread-1", "Thread-2", "Thread-3"]
        queueLock = threading.Lock()
        threads = []
        threadID = 1
        # 创建新线程
        for tName in threadList:
            thread = myThread(threadID, tName, q)
            thread.start()
            threads.append(thread)
            threadID += 1
        # 等待队列清空
        while not q.empty():
            pass
        # 通知线程是时候退出
        exitFlag = 1
        # 等待所有线程完成
        for t in threads:
            t.join()
        print("Exiting Main Thread")

![640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1][]

上面的例子用了FIFO队列。当然你也可以换成其他类型的队列.

`LifoQueue `后进先出

# `Priority Queue`优先队列 #

Python多进程，multiprocessing，下次使用多进程跑这个代码。

参考： https://cuiqingcai.com/3325.html

![640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1][]

[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1]: /images/20220331/415fdb3165d342fb8eada61b34116e3f.png
[640_wx_fmt_png_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1 1]: /images/20220331/b5d62c8aba9b455ab903ac03e53fd711.png
[640_wx_fmt_jpeg_tp_webp_wxfrom_5_wx_lazy_1_wx_co_1]: /images/20220331/a4945cc709dc441b8cb9efcad83aa5f8.png