Python实战：用多线程和多进程打造高效爬虫

文章目录

🍋引言

在网络爬虫的世界里，效率是关键。为了快速地获取大量数据，我们需要运用一些高级技巧，如多线程和多进程。在本篇博客中，我们将学习如何使用Python的多线程和多进程来构建一个高效的网络爬虫，以便更快速地获取目标网站上的信息。

🍋为什么要使用多线程和多进程？

在单线程爬虫中，我们按照顺序一个个页面地下载和解析数据。这在小型网站上可能没有问题，但在处理大规模数据时会变得非常缓慢。多线程和多进程可以帮助我们同时处理多个页面，从而提高爬虫的效率。

• 多线程：在一个进程内，多个线程可以并发执行，共享相同的内存空间。这意味着它们可以更快速地完成任务，但需要小心线程安全问题。
• 多进程：多个进程是独立的，每个进程都有自己的内存空间。这可以避免线程安全问题，但在创建和管理进程时会产生额外的开销。

🍋线程的常用方法

• threading.Thread(target, args=(), kwargs={})：创建一个线程对象，用于执行指定的目标函数。 target：要执行的目标函数。 args：目标函数的位置参数，以元组形式传递。 kwargs：目标函数的关键字参数，以字典形式传递。
• thread.start()：启动线程，使其开始执行目标函数。
• thread.join(timeout=None)：等待线程完成执行。可选的timeout参数用于指定最长等待时间，如果超时，将继续执行主线程。
• thread.is_alive()：检查线程是否在运行。如果线程仍在执行中，返回True；否则返回False。
• threading.current_thread()：返回当前线程对象，可以用于获取当前线程的信息。
• threading.active_count()：返回当前活动线程的数量。
• threading.enumerate()：返回当前所有活动线程的列表。
• threading.Thread.getName()和threading.Thread.setName(name)：获取和设置线程的名称。
• threading.Thread.isDaemon()和threading.Thread.setDaemon(daemonic)：获取和设置线程的守护状态。守护线程在主线程结束时会被强制终止。
• threading.Thread.ident：获取线程的唯一标识符。
• threading.Lock()：创建一个互斥锁对象，用于实现线程同步。
• lock.acquire()：获取锁，进入临界区。
• lock.release()：释放锁，退出临界区。
• .sleep() 方法是线程对象（threading.Thread）中的一个非常常用的方法之一，它用于使线程暂停执行一段指定的时间，但是用到的库是time

🍋线程锁（也称为互斥锁或简称锁）

用于线程间的同步，主要有以下两个目的：

• 防止竞争条件（Race Condition）： 竞争条件指的是多个线程在同时访问共享资源时，由于执行顺序不确定而导致的不确定性和错误。当多个线程尝试同时修改共享数据时，可能会导致数据不一致性和错误结果。线程锁可以防止竞争条件，使得只有一个线程能够访问共享资源，其他线程需要等待锁释放。
• 确保数据一致性： 在多线程环境下，当多个线程同时访问和修改共享数据时，可能会导致数据的不一致性。使用锁可以确保在任何时候只有一个线程能够访问和修改共享数据，从而确保数据的一致性。

这里可以举个例子：

当我们在银行取钱的时候，如果没有线程锁的保护，一大堆人同时取钱，那么余额就不好计算了。所以在多个线程同时进行存款和取款操作，但由于线程锁的保护，这些操作不会导致账户数据的混乱或错误。最后，我们打印出最终的账户余额，以确保数据一致性。

🍋小案例

这里我们通过一个小案例感受一下多线程的魅力吧~

import time
import threading
import requests
from bs4 import BeautifulSoup

urls =[]for j inrange(1,5):
    url =f'https://example.com/page{j}'
    urls.append(url)# 存储字典
results ={}
lock = threading.Lock()deffunc(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.text,'html.parser')
    title = soup.title.string
    # 使用线程锁确保字典操作的线程安全with lock:
        results[url]= title
# 创建线程列表
threads =[]
start = time.time()# 创建并启动线程for url in urls:
    thread = threading.Thread(target=func, args=(url,))
    threads.append(thread)
    thread.start()# 等待所有线程完成for thread in threads:
    thread.join()
stop = time.time()# 打印爬取结果for url, title in results.items():print(f'URL: {url}, Title: {title}')print(stop-start)

这里我们用测试网页中的title

在这个示例中，我们定义了一个包含多个网页url的列表 urls，然后创建了多个线程来并发地爬取这些网页的标题。每个线程使用 requests 库发送请求，解析网页内容，提取标题，并将结果存储在一个共享的 results 字典中。为了确保字典操作的线程安全，我们使用了一个线程锁 lock。最后用time测试了一次时间。

🍋实战—手办网

先将之前相关爬取手办网放在下方

# 导入模块import requests
from bs4 import BeautifulSoup
import time
import threading
# 定义url和请求头
_headers ={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36","Cookie":"utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105"}"""
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=1
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=2
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=3
"""
start = time.time()# 获取前五页的url
urls =[]for i inrange(1,5):
    url ='https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page={}'.format(i)
    urls.append(url)
items =[]for d_url in urls:# 发送请求
    response = requests.get(d_url, headers=_headers)
    content = response.content.decode('utf8')# 实例化对象
    soup = BeautifulSoup(content,'lxml')# 名称
    data = soup.find_all('ul',class_="hpoi-glyphicons-list")for i in data:
        data_1 = i.find_all('li')for j in data_1:
            data_2 = j.find_all('div',class_="hpoi-detail-grid-right")for k in data_2:
                title = k.find_all('a')[0].string
                changshang = k.find_all('span')[0].text[3:]
                chuhe = k.find_all('span')[1].text[3:]
                price = k.find_all('span')[2].text[3:]
                data_3 ={"名称": title,"厂商":changshang,"出荷":chuhe,"价位":price
                }
                items.append(data_3)print(items)

stop = time.time()print(stop-start)

运行结果如下

之后我们使用多线程进行实现

# 导入模块import requests
from bs4 import BeautifulSoup
import time
import threading
# 定义url和请求头
_headers ={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36","Cookie":"utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105utoken=UTKbd23efb1729a444898977cf2a91381c0; JSESSIONID=9EF5C8BA4F3C3E29278A9972A946408A; Hm_lvt_05b494824003cbf80b23e846462269d1=1688387237,1688712147,1689130492,1689145041; allOrder=release; Hm_lpvt_05b494824003cbf80b23e846462269d1=1689145105"}"""
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=1
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=2
https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page=3
"""
start = time.time()# 获取前五页的url

items =[]defshouban(url):# for d_url in urls:# 发送请求
    response = requests.get(url, headers=_headers)
    content = response.content.decode('utf8')# 实例化对象
    soup = BeautifulSoup(content,'lxml')# 名称
    data = soup.find_all('ul',class_="hpoi-glyphicons-list")for i in data:
        data_1 = i.find_all('li')for j in data_1:
            data_2 = j.find_all('div',class_="hpoi-detail-grid-right")for k in data_2:
                title = k.find_all('a')[0].string
                changshang = k.find_all('span')[0].text[3:]
                chuhe = k.find_all('span')[1].text[3:]
                price = k.find_all('span')[2].text[3:]
                data_3 ={"名称": title,"厂商":changshang,"出荷":chuhe,"价位":price
                }
                items.append(data_3)

urls =[]
t_list =[]for i inrange(1,5):
    url =f'https://www.hpoi.net/hobby/all?order=release&r18=-1&workers=&view=3&category=100&page={i}'
    t1 = threading.Thread(target=shouban, args=(url,))
    t1.start()
    t_list.append(t1)for i in t_list:
    i.join()

stop = time.time()print(items)print(stop-start)

运行结果如下

注意：可以适当添加sleep，防止被封，如果爬取大量数据，多线程表现的会更明显一点

🍋总结

通过使用多线程和多进程，我们可以显著提高网络爬虫的效率，更快地获取大量数据。然而，要小心线程安全问题和进程管理的开销。在实际项目中，还需要考虑异常处理、数据存储等更多细节，感谢看到结尾的小伙伴，感谢您的支持！

挑战与创造都是很痛苦的，但是很充实。