初学多线程爬虫

【0】如何认识多线程

计算机完成一项或多项任务，往往可以存在很高的并行度：若是多核处理器则天然的可以同时处理多项事务，若是单处理器时其实也可以分时隙处理多任务，此时虽然在某一时间点上确实是不能一脑多用，但却可以省掉很多处理器之外的等待时间，实现某种意义上的并行，或者叫多线程，进而带来效率上的提高。实际上，若不支持多线程，那么我们的电脑似乎就只能同时干一件事了，那该有多low啊。

当爬虫遇上了多线程，那么就可以实现并行爬虫，本来一只虫子在爬取数据，现在变成了多只虫子同时爬，效率自然要高出许多。所以，threading库应运而生。

Ps：关于进程和线程的区别，简单讲：进程层次更高一点，更接近任务级别，而线程层次要相对低一点，更接近处理器端真实处理过程。包含关系：一个任务可包含多进程，一个进程可包含多线程。

【1】如何实现多线程python爬虫

以下只是一个简单总结。

1.建立线程

#1.创建函数，引入线程
deffun():
    pass
thread-1= threading.Thread(target=fun,args=[],name='thread-1')

#2.直接继承线程类
classmythread(threading.Thread):
    def __init__(self):
        Thread.__init__(self):
        #加这一步后主程序中断退出后子线程也会跟着中断退出
        self.daemon = True
    def run(self):
        #线程运行的函数
        pass
thread-1= mythread()

2.开启线程

thread_1.start()   #开始线程
thread_1.join()    #阻塞直至该线程运行完毕

3.线程内实现功能

• 若是采用构建函数引入线程，则直接在函数fun()内完成特定功能即可
• 若是采用继承线程类，则可在类中的run()方法完成特定功能

4.线程间同步

因为线程间存在竞争和冲突，所以需要线程间同步。考虑队列（queue）已内置了同步功能，所以在多线程分配任务时往往配合一个queue来实现，所以有人说实现多线程爬虫重点就是队列，队列用明白了多线程就自然理解了。

【2】效率对比

来个简单的效率对比。给定100个左右网页链接，完成从这些网页中下载文本并保存至本地txt文件中。显然，这是一个典型的可以并行操作的任务。完成该任务的效率对比如下：

• 线程数1:耗时45.9s
• 线程数2:耗时25.2s
• 线程数4:耗时13.5s
• 线程数8:耗时8.2s

可见，多线程情况下效率提升还是非常明显的。当然，肯定不会是线程数越多越好。