Python学习之多进程并发爬虫

落日映苍穹つ 2022-10-01 02:51 153阅读 0赞

> 以前做过Python的爬虫，不过那只爬取贴吧内容，比较简单，只是用来刚开始练练手的。这段时间又重新看Python，看到了正则表达式，于是想对爬虫再深入的了解下，主要是对爬虫的线程以及进程学习。

--------------------

> 爬虫是io密集型，所以使用多线程会提高效率，但是懂点Python的人都知道，gil的存在导致Python的多线程有点坑，这里简单的介绍下gil。  
> Gil 是全局解释器锁，为了数据的安全。而在Python的多线程下，每个线程的执行方式为：

*  获取Gil
 *  执行代码知道sleep或者是Python虚拟机将其挂起
 *  释放Gil

> 从这里可以看得出来线程要想执行，必须要拿到Gil，但是在一个Python中只有一个Gil，而每次释放Gil锁，线程进行锁竞争、切换线程，会消耗资源，并且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），所以Python中的多线程效率并不高。所以想要了解的话可以看下这篇博客[多线程验证][Link 1]学习下。

--------------------

> 下面来说下多进程的爬虫，Python中使用多进程需要multiprocessing，以及提供了process、queue、pipe、lock、pool等组件，这里主要使用的是pool，可以叫做进程池，想要了解其他的组件可以看下这篇博客[http://cuiqingcai.com/3335.html][http_cuiqingcai.com_3335.html]

--------------------

> 使用pool先了解下：

*  pool = Pool(n) \#建立进程池，n就是代表了建立几个进程，这个n的设定一般与cpu的核数一样
 *  pool.map(def,list)\#把列表list里面的每一项映射到你所定义的def函数内，有点通过这句话做list各项循环的意味
 *  pool.close()\#关闭进程池，不再接受新的进程
 *  pool.join()\#主进程阻塞等待子进程安全退出，父子进程同步
    
    ## 多进程爬虫实例： ##

> 这里以爬取猫眼电影中的top100电影为例子。

import json
 from multiprocessing import Pool
 import requests
 from requests.exceptions import RequestException
 import re
 
 def get_one_page(url): #判断页面的请求状态来做异常处理
 try:
 response = requests.get(url)
 if response.status_code == 200:#200是请求成功
 return response.text
 return None
 except RequestException:
 return None
 
 def parse_one_page(html):
 pattern = re.compile('<dd>.*?board-index.*?>(\d+).*?.*?data-val.*?>(.*?)</a>'#正则表达式
 +'.*?star">(.*?).*?releasetime">(.*?)'
 +'.*?integer">(.*?).*?fraction">(\d+).*?</dd>',re.S)
 items = re.findall(pattern, html) #返回正则结果
 for item in items: #对结果进行迭代，修饰
 yield{
 '排名：':item[0],
 '电影：':item[1],
 '主演：':item[2].strip()[3:],
 '上映时间：':item[3].strip()[5:],
 '评分：':item[4]+item[5]
 }
 def write_to_file(content): #写入文件“result.txt”中
 with open('result.txt', 'a', encoding='utf-8') as f: #以utf-8的编码写入
 f.write(json.dumps(content, ensure_ascii=False) + "\n") #json序列化默认使用ascii编码，这里禁用ascii
 f.close()
 
 def main(page):
 url = "http://maoyan.com/board/4?offset=" + str(page) #page 为页码数
 html = get_one_page(url)
 for item in parse_one_page(html):
 print(item)
 write_to_file(item)
 
 if __name__ == '__main__':
 ''' for i in range(10): main(i*10) '''
 pool = Pool() #建立进程池
 pool.map(main, (i*10 for i in range(10)))#映射到主函数中进行循环

在使用多进程的时候还可以加入异步，这个还没有学习，之后会加入进来，在爬取大量的数据时候或者图片的时候会大大的提高效率。

--------------------

在学习Python的爬虫可以到这上面去学习：

> [虫师][Link 2]  
> [静觅][Link 3]

[Link 1]: http://www.cnblogs.com/sjzh/p/5990152.html
[http_cuiqingcai.com_3335.html]: http://cuiqingcai.com/3335.html
[Link 2]: http://www.cnblogs.com/fnng/archive/2013/02/22/2923019.html
[Link 3]: http://cuiqingcai.com/category/technique/python