import queue
由于外部网络不稳定,在使用单线程爬取网页数据时,如果有一个网页响应速度慢或者卡住,整个程序都要等待下去。因此,可以使用多线程、多进程、协程技术实现并发下载网页。
多进程适用于 CPU 密集型的代码,例如各种循环处理、大量的密集并行计算;
多线程适用于 I/O 密集型的代码,例如文件处理、网络交互;
协程无须通过操作系统调度,没有进程、线程之间的切换和创建等开销,适用于大量不需要 CPU 的操作,例如网络 I/O 等。
实际上,限制爬虫程序发展的瓶颈就在于网络 I/O,原因是网络 I/O 的速度赶不上 CPU 的处理速度。
一、多线程爬虫流程分析
多线程爬虫将多线程技术运用在采集网页信息和解析网页内容上。
① 准备一个网址列表,爬取数据的网页列表。
与单线程爬虫不同,多线程爬虫可以同时爬取多个网页。
② 同时开启多个线程爬取网页内容。
一般启动固定数量的线程,一个线程爬取完一个网页之后,接着爬取下一个。线程的数量不宜过多,否则,线程调度的时间太长,效率低;线程的数量也不宜过少,否则不能最大限度地提高爬取速度。
③ 将爬取到的网页源代码存储在一个列表中。
④ 同时使用多个线程对网页源代码表的网页内容进行解析。
⑤ 将解析之后的数据存储起来。
二、使用 queue 模块实现多线程爬虫
多线程爬虫要在内存中存储数据,包括待爬取的网页列表、爬取到的数据等,一般要使用到 queue 模块。
queue 模块是 Python 内置的标准模块,可以直接通过引用。
import queue
在 queue 模块中提供了 3种同步的、线程安全的队列,分别由 3个类 Queue、LifoQueue 和 PriorityQueue,它们的唯一区别是元素取出的顺序不同。并且,LifoQueue 和 PriorityQueue 都是 Queue 的子类。
① Queue(FIFO队列)
Queue 类表示一个基本的 先进先出 队列,创建方法是 Queue.Queue(maxsize=0),其中 maxsize 是个整数,指明了队列中能存放的数据个数的上限。
from queue import Queue
# 将四个数字放在了 Queue 队列中,然后依次取出它的元素值
queue_object = Queue()
for i in range(4):
queue_object.put(i)
while not queue_object.empty():
print(queue_object.get())
② LifoQueue(LIFO队列)
LifoQueue 类表示 后进先出 队列,与栈类似,都是后进入的元素先出来。使用 Queue.LifoQueue(maxsize=0),其中 maxsize 是个整数,指明了队列中能存放的数据个数的上限。
from queue import LifoQueue
# 将四个数字放在了 LifoQueue 队列中,取出的元素的顺序与 Queue 相反,最后放入的元素最先被取出。
lifo_queue = LifoQueue()
for i in range(4):
lifo_queue.put(i)
while not lifo_queue.empty():
print(lifo_queue.get())
③ PriorityQueue(优先级队列)
PriorityQueue 类表示 优先级 队列,按级别顺序取出元素,级别最低的最先取出。优先级队列中的元素一般采用元组(优先级别,数据)的形式来存储。Queue.PriorityQueue(maxsize=0)。
将任务 Job 存入 PriorityQueue 中,每个 Job 都有一个优先级 level,level 值越低,则代表的优先级越高。在调用 get() 方法时,按照优先级从高到低的顺序从队列中取出元素。
from queue import PriorityQueue
class Job(object):
def __init__(self, level, description):
self.level = level
self.description = description
return
def __lt__(self, other):
return self.level < other.level
priority_queue = PriorityQueue()
priority_queue.put(Job(5, "中级别工作"))
priority_queue.put(Job(10, "低级别工作"))
priority_queue.put(Job(1, "重要工作"))
while not priority_queue.empty():
next_job = priority_queue.get()
print("开始工作:", next_job.description)