问Python处理多线程的最佳方法是什么
EN

Stack Overflow用户

提问于 2015-02-03 20:38:58

回答 2查看 1.1K关注 0票数 0

因为我的scaper运行很慢(一次一个页面)，所以我试着使用线程来让它工作得更快。我有一个抓取(网站)函数，它接受一个要抓取的网站，所以我可以很容易地创建每个线程并在每个线程上调用start()。

现在，我想实现一个num_threads变量，它是我希望同时运行的线程数。处理这些多线程的最佳方式是什么？

例如:假设num_threads =5，我的目标是启动5个线程，然后抓取列表中的前5个网站并抓取它们，然后如果线程#3完成，它将立即抓取列表中的第6个网站抓取，而不是等到其他线程结束。

有什么关于如何处理它的建议吗？谢谢

python

multithreading

回答 2

Stack Overflow用户

发布于 2015-02-03 20:46:20

那得看情况。

如果您的代码大部分时间都在等待网络操作(很可能是在web抓取应用程序中)，那么线程是合适的。实现线程池的最好方法是在3.4中使用concurrent.futures。如果做不到这一点，您可以创建一个threading.Queue对象并将每个线程编写为一个无限循环，该循环使用队列中的工作对象并对其进行处理。

如果您的代码在下载数据后大部分时间都在处理数据，那么由于GIL的存在，线程是无用的。concurrent.futures提供了对进程并发的支持，但同样只能在3.4+中工作。对于较老的Python，请使用multiprocessing。它提供了一种Pool类型，可以简化创建进程池的过程。

您应该分析您的代码(使用cProfile)，以确定您正在经历这两种情况中的哪一种。

票数 0

Stack Overflow用户

发布于 2015-02-03 20:48:09

如果您使用的是Python3，请查看concurrent.futures.ThreadPoolExecutor

从文档ThreadPoolExecutor Example中提取的示例

import concurrent.futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

# Retrieve a single page and report the url and contents
def load_url(url, timeout):
    conn = urllib.request.urlopen(url, timeout=timeout)
    return conn.readall()

# We can use a with statement to ensure threads are cleaned up promptly
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    # Start the load operations and mark each future with its URL
    future_to_url = {executor.submit(load_url, url, 60): url for url in URLS}
    for future in concurrent.futures.as_completed(future_to_url):
        url = future_to_url[future]
        try:
            data = future.result()
        except Exception as exc:
            print('%r generated an exception: %s' % (url, exc))
        else:
            print('%r page is %d bytes' % (url, len(data)))

如果你使用的是Python 2，有一个可用的后端口：

ThreadPoolExecutor Example

from concurrent import futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

def load_url(url, timeout):
    return urllib.request.urlopen(url, timeout=timeout).read()

with futures.ThreadPoolExecutor(max_workers=5) as executor:
    future_to_url = dict((executor.submit(load_url, url, 60), url)
                         for url in URLS)

    for future in futures.as_completed(future_to_url):
        url = future_to_url[future]
        if future.exception() is not None:
            print('%r generated an exception: %s' % (url,
                                                     future.exception()))
        else:
            print('%r page is %d bytes' % (url, len(future.result())))