Python爬虫(五)--多线程续(Queue) · Python爬虫

本文希望达到的目标: 1. 学习Queue模块 2. 将Queue模块与多线程编程相结合 3. 通过Queue和threading模块, 重构爬虫, 实现多线程爬虫, 4. 通过以上学习希望总结出一个通用的多线程爬虫小模版 # 1\. Queue模块 * * * `Queue`模块实现了多生产者多消费者队列, 尤其适合多线程编程.`Queue`类中`实现了所有需要的锁原语`(这句话非常重要), Queue模块实现了三种类型队列: * FIFO(先进先出)队列, 第一加入队列的任务, 被第一个取出 * LIFO(后进先出)队列,最后加入队列的任务, 被第一个取出(操作类似与栈, 总是从栈顶取出, 这个队列还不清楚内部的实现) * PriorityQueue(优先级)队列, 保持队列数据有序, 最小值被先取出(在C++中我记得优先级队列是可以自己重写排序规则的, Python不知道可以吗) ## 1.1\. 类和异常 ~~~ import Queue #类 Queue.Queue(maxsize = 0) #构造一个FIFO队列,maxsize设置队列大小的上界, 如果插入数据时, 达到上界会发生阻塞, 直到队列可以放入数据. 当maxsize小于或者等于0, 表示不限制队列的大小(默认) Queue.LifoQueue(maxsize = 0) #构造一LIFO队列,maxsize设置队列大小的上界, 如果插入数据时, 达到上界会发生阻塞, 直到队列可以放入数据. 当maxsize小于或者等于0, 表示不限制队列的大小(默认) Queue.PriorityQueue(maxsize = 0) #构造一个优先级队列,,maxsize设置队列大小的上界, 如果插入数据时, 达到上界会发生阻塞, 直到队列可以放入数据. 当maxsize小于或者等于0, 表示不限制队列的大小(默认). 优先级队列中, 最小值被最先取出 #异常 Queue.Empty #当调用非阻塞的get()获取空队列的元素时, 引发异常 Queue.Full #当调用非阻塞的put()向满队列中添加元素时, 引发异常 ~~~ ## 1.2\. Queue对象三种队列对象`提供公共的方法` ~~~ Queue.empty() #如果队列为空, 返回True(注意队列为空时, 并不能保证调用put()不会阻塞); 队列不空返回False(不空时, 不能保证调用get()不会阻塞) Queue.full() #如果队列为满, 返回True(不能保证调用get()不会阻塞), 如果队列不满, 返回False(并不能保证调用put()不会阻塞) Queue.put(item[, block[, timeout]]) #向队列中放入元素, 如果可选参数block为True并且timeout参数为None(默认), 为阻塞型put(). 如果timeout是正数, 会阻塞timeout时间并引发Queue.Full异常. 如果block为False为非阻塞put Queue.put_nowait(item) #等价于put(itme, False) Queue.get([block[, timeout]]) #移除列队元素并将元素返回, block = True为阻塞函数, block = False为非阻塞函数. 可能返回Queue.Empty异常 Queue.get_nowait() #等价于get(False) Queue.task_done() #在完成一项工作之后，Queue.task_done()函数向任务已经完成的队列发送一个信号 Queue.join() #实际上意味着等到队列为空，再执行别的操作 ~~~ 下面是官方文档给多出的多线程模型: ~~~ def worker(): while True: item = q.get() do_work(item) q.task_done() q = Queue() for i in range(num_worker_threads): t = Thread(target=worker) t.daemon = True t.start() for item in source(): q.put(item) q.join() # block until all tasks are done ~~~ # 2\. Queue模块与线程相结合 * * * 简单写了一个Queue和线程结合的小程序 ~~~ #!/usr/bin/env python # -*- coding:utf-8 -*- import threading import time import Queue SHARE_Q = Queue.Queue() #构造一个不限制大小的的队列 _WORKER_THREAD_NUM = 3 #设置线程个数 class MyThread(threading.Thread) : def __init__(self, func) : super(MyThread, self).__init__() self.func = func def run(self) : self.func() def worker() : global SHARE_Q while not SHARE_Q.empty(): item = SHARE_Q.get() #获得任务 print "Processing : ", item time.sleep(1) def main() : global SHARE_Q threads = [] for task in xrange(5) : #向队列中放入任务 SHARE_Q.put(task) for i in xrange(_WORKER_THREAD_NUM) : thread = MyThread(worker) thread.start() threads.append(thread) for thread in threads : thread.join() if __name__ == '__main__': main() ~~~ # 3\. 重构爬虫 * * * 主要针对之间写过的豆瓣爬虫进行重构: * [Python网络爬虫(二)--豆瓣抓站小计](http://andrewliu.tk/2014/12/05/Python%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E4%BA%8C-%E8%B1%86%E7%93%A3%E6%8A%93%E7%AB%99%E5%B0%8F%E8%AE%A1/) ## 3.1\. 豆瓣电影爬虫重构通过对Queue和线程模型进行改写, 可以写出下面的爬虫程序 : ~~~ #!/usr/bin/env python # -*- coding:utf-8 -*- # 多线程爬取豆瓣Top250的电影名称 import urllib2, re, string import threading, Queue, time import sys reload(sys) sys.setdefaultencoding('utf8') _DATA = [] FILE_LOCK = threading.Lock() SHARE_Q = Queue.Queue() #构造一个不限制大小的的队列 _WORKER_THREAD_NUM = 3 #设置线程的个数 class MyThread(threading.Thread) : def __init__(self, func) : super(MyThread, self).__init__() #调用父类的构造函数 self.func = func #传入线程函数逻辑 def run(self) : self.func() def worker() : global SHARE_Q while not SHARE_Q.empty(): url = SHARE_Q.get() #获得任务 my_page = get_page(url) #爬取整个网页的HTML代码 find_title(my_page) #获得当前页面的电影名 time.sleep(1) SHARE_Q.task_done() ~~~ 完整代码请查看[Github豆瓣多线程爬虫](https://github.com/Andrew-liu/dou_ban_spider/blob/master/threading_douban.py) 完成这个程序后, 又出现了新的问题: > 无法保证数据的顺序性, 因为线程是并发的, 思考的方法是: 设置一个主线程进行管理, 然后他们的线程工作 # 4\. 通用的多线程爬虫小模版 * * * 下面是根据上面的爬虫做了点小改动后形成的模板 ~~~ #!/usr/bin/env python # -*- coding:utf-8 -*- import threading import time import Queue SHARE_Q = Queue.Queue() #构造一个不限制大小的的队列 _WORKER_THREAD_NUM = 3 #设置线程的个数 class MyThread(threading.Thread) : """ doc of class Attributess: func: 线程函数逻辑 """ def __init__(self, func) : super(MyThread, self).__init__() #调用父类的构造函数 self.func = func #传入线程函数逻辑 def run(self) : """ 重写基类的run方法 """ self.func() def do_something(item) : """ 运行逻辑, 比如抓站 """ print item def worker() : """ 主要用来写工作逻辑, 只要队列不空持续处理队列为空时, 检查队列, 由于Queue中已经包含了wait, notify和锁, 所以不需要在取任务或者放任务的时候加锁解锁 """ global SHARE_Q while True : if not SHARE_Q.empty(): item = SHARE_Q.get() #获得任务 do_something(item) time.sleep(1) SHARE_Q.task_done() def main() : global SHARE_Q threads = [] #向队列中放入任务, 真正使用时, 应该设置为可持续的放入任务 for task in xrange(5) : SHARE_Q.put(task) #开启_WORKER_THREAD_NUM个线程 for i in xrange(_WORKER_THREAD_NUM) : thread = MyThread(worker) thread.start() #线程开始处理任务 threads.append(thread) for thread in threads : thread.join() #等待所有任务完成 SHARE_Q.join() if __name__ == '__main__': main() ~~~ > 我感觉其实这个多线程挺凌乱的, 希望以后自己能重构 # 5\. 思考更高效的爬虫方法 * * * * 使用[twisted](https://twistedmatrix.com/trac/wiki/Documentation)进行异步IO抓取 * 使用`Scrapy`框架(Scrapy 使用了 Twisted 异步网络库来处理网络通讯) # 6\. 参考链接 * * * [Queue官方文档](https://docs.python.org/2/library/queue.html) [Twisted英文入门指南](http://krondo.com/blog/?page_id=1327) [Twisted中文入门指南](http://turtlerbender007.appspot.com/twisted/index.html)