一、前情提要

相信來(lái)看這篇深造爬蟲文章的同學(xué)，大部分已經(jīng)對(duì)爬蟲有不錯(cuò)的了解了，也在之前已經(jīng)寫過(guò)不少爬蟲了，但我猜爬取的數(shù)據(jù)量都較小，因此沒(méi)有過(guò)多的關(guān)注爬蟲的爬取效率。這里我想問(wèn)問(wèn)當(dāng)我們要爬取的數(shù)據(jù)量為幾十萬(wàn)甚至上百萬(wàn)時(shí)，我們會(huì)不會(huì)需要要等幾天才能將數(shù)據(jù)全都爬取完畢呢？

唯一的辦法就是讓爬蟲可以 7×24 小時(shí)不間斷工作。因此我們能做的就是多叫幾個(gè)爬蟲一起來(lái)爬數(shù)據(jù)，這樣便可大大提升爬蟲的效率。

但在介紹Python 如何讓多個(gè)爬蟲一起爬取數(shù)據(jù)之前，我想先為大家介紹一個(gè)概念——并發(fā)。

二、并發(fā)的概念

為了讓大家簡(jiǎn)單易懂，我就用例子代替復(fù)雜的文章來(lái)向大家介紹吧

第一個(gè)例子
我們用 requests 成功請(qǐng)求一個(gè)網(wǎng)頁(yè)，實(shí)際上 requests 做了三件事：
1、根據(jù)鏈接、參數(shù)等組合成一個(gè)請(qǐng)求；
2、把這個(gè)請(qǐng)求發(fā)往要爬取的網(wǎng)站，等待網(wǎng)站響應(yīng)；
3、網(wǎng)站響應(yīng)后，把結(jié)果包裝成一個(gè)響應(yīng)對(duì)象方便我們使用。

其中步驟 2 花費(fèi)的時(shí)間是最長(zhǎng)的，取決于被爬網(wǎng)站的性能，這個(gè)時(shí)間可能達(dá)到幾十到幾百毫秒。

對(duì)這個(gè)程序來(lái)說(shuō)：綠色部分代表代碼是在 運(yùn)行 的，黃色部分（步驟 2）代表程序是 空閑 的，因?yàn)樵诘却W(wǎng)站響應(yīng)。 所以，爬蟲代碼真正運(yùn)行的時(shí)間很短，大部分時(shí)間都浪費(fèi)在等待網(wǎng)站響應(yīng)上了。

第二個(gè)例子
我們連續(xù)用 requests 請(qǐng)求三個(gè)網(wǎng)頁(yè) A、B、C，執(zhí)行的過(guò)程如下圖所示：

同樣的，每次步驟 1、3 和 2 所花費(fèi)時(shí)間的差異很大。我們假設(shè)步驟 1 和步驟 3 都要花費(fèi) 1 毫秒，步驟 2 要花費(fèi) 98 毫秒。那么一個(gè)網(wǎng)頁(yè)要花費(fèi) 100 毫秒，爬取 A、B、C 三個(gè)網(wǎng)頁(yè)一共花費(fèi)了 300 毫秒。

這時(shí)我們其實(shí)遇到一個(gè)問(wèn)題：整個(gè)過(guò)程的 300 毫秒里，代碼運(yùn)行的時(shí)間只有 6 毫秒，剩下有 294 毫秒我們的程序只是空閑在那里等待著網(wǎng)站響應(yīng)。

第三個(gè)例子

想一想，第一個(gè)例子里，順序必須是 1-2-3，因?yàn)椴襟E 2 依賴步驟 1 的結(jié)果，步驟 3 依賴步驟 2 的結(jié)果。但是第二個(gè)例子里，步驟為什么必須是 A1-A2-A3-B1-B2-B3-C1-C2-C3 呢？「爬取網(wǎng)頁(yè) B」的步驟 1 其實(shí)和「爬取網(wǎng)頁(yè) A」的步驟 3 并沒(méi)有依賴關(guān)系。

這張圖是什么意思呢？其實(shí)就是：在「爬取網(wǎng)頁(yè) A」這個(gè)過(guò)程進(jìn)行到步驟 2 的時(shí)候，程序空閑下來(lái)了，這時(shí)我們讓「爬取網(wǎng)頁(yè) B」的步驟 1 開(kāi)始執(zhí)行；同樣的，「爬取網(wǎng)頁(yè) B」的步驟 1 執(zhí)行完，程序又空閑下來(lái)，于是我們安排「爬取網(wǎng)頁(yè) C」開(kāi)始執(zhí)行。

依然假設(shè)步驟 1 和 3 需要花費(fèi) 1 毫秒，步驟 2 花費(fèi) 98 毫秒。算一算，只需要102 毫秒！
我們要爬 10 個(gè)或者 20 個(gè)網(wǎng)頁(yè)，現(xiàn)在預(yù)計(jì)分別只需要 109 毫秒和 119 毫秒。而假如我們用第二個(gè)例子里的方式運(yùn)行，則分別需要 1000 毫秒和 2000 毫秒！

可以看到，我們僅僅是利用了爬蟲等待網(wǎng)站響應(yīng)的空閑時(shí)間，爬蟲的效率就提升了數(shù)十倍。當(dāng)爬取數(shù)據(jù)量更大時(shí)，爬蟲效率提升會(huì)更加的顯著。

回到問(wèn)題：什么叫并發(fā)？

上面第二個(gè)例子就不是并發(fā)：我要做三件事，然后我一件一件完成它們。

上面的第三個(gè)例子就是并發(fā)：我們明明要做三件事，但是在這段時(shí)間內(nèi)，我們交錯(cuò)著做這三件事，就好像在 同時(shí)做這些事 ！

而上面第一個(gè)例子里，我們只需要做一件事情，這時(shí)不管我們寫并發(fā)的代碼或者普通的代碼，它總是步驟 1-2-3 這樣被執(zhí)行完，沒(méi)有什么區(qū)別。

上面第三種例子這種情況，在計(jì)算機(jī)中被稱為并發(fā)

讓我們用一段代碼，來(lái)讓大家直觀的看看并發(fā)是什么：

import time
import requests
class Adapter(requests.adapters.HTTPAdapter):
  def send(self, *args, **kwargs):
    global start
    print(
      "步驟 1 結(jié)束，耗時(shí)",
      round((time.time() - start) * 1000),
      "毫秒"
    )
    return super().send(*args, **kwargs)
s = requests.Session()
s.mount("https://", Adapter())
start = time.time()
r = s.get('https://www.baidu.com')
end = time.time()
print(
  "步驟 2 結(jié)束，耗時(shí)",
  round(r.elapsed.total_seconds() * 1000),
  "毫秒"
)
print(
  "步驟 3 結(jié)束，耗時(shí)",
  int((end -start - r.elapsed.total_seconds()) * 1000),
  "毫秒"
)
//輸出結(jié)果↓
//步驟 1 結(jié)束，耗時(shí) 2 毫秒
//步驟 2 結(jié)束，耗時(shí) 66 毫秒
//步驟 3 結(jié)束，耗時(shí) 1 毫秒

通過(guò)以上的講解，相信大家已經(jīng)對(duì)并發(fā)有一個(gè)初步的認(rèn)識(shí)了，接下來(lái)我們?cè)賮?lái)講講多線程

三、并發(fā)與多線程

操作系統(tǒng)為我們提供了兩個(gè)東西：進(jìn)程和線程。利用這兩樣?xùn)|西，我們可以輕易地實(shí)現(xiàn)代碼的并發(fā)，而不用考慮細(xì)枝末節(jié)。

例如，我們把下面三個(gè)任務(wù)丟到三個(gè)線程中，操作系統(tǒng)就能讓任務(wù)A等待時(shí)，啟動(dòng)任務(wù)B，任務(wù)AB等待時(shí)，啟動(dòng)任務(wù)C，而當(dāng)任務(wù)A等待結(jié)束了，接著回去完成任務(wù)A，以此類推，在最短的時(shí)間內(nèi)完成所有的任務(wù)，而不用擠占時(shí)間。

我們來(lái)比較一下，有用多線程和沒(méi)有用多線程的爬蟲程序的耗時(shí)究竟相差多少！

import time
import requests
# 導(dǎo)入 concurrent.futures 這個(gè)包
from concurrent import futures

# 假設(shè)我們要爬取 30 個(gè)網(wǎng)頁(yè)
urls = ["https://wpblog.x0y1.com/?p=34"] * 30
session = requests.Session()

# 普通爬蟲
start1 = time.time()
results = []
for url in urls:
  r = session.get(url)
  results.append(r.text)

end1 = time.time()
print("普通爬蟲耗時(shí)", end1-start1, "秒")

# 多線程爬蟲
# 初始化一個(gè)線程池，最大的同時(shí)任務(wù)數(shù)是 5
executor = futures.ThreadPoolExecutor(max_workers=5)
start2 = time.time()
fs = []
for url in urls:
  # 提交任務(wù)到線程池
  f = executor.submit(session.get, url)
  fs.append(f)

# 等待這些任務(wù)全部完成
futures.wait(fs)
# 獲取任務(wù)的結(jié)果
result = [f.result().text for f in fs]
end2 = time.time()
print("多線程爬蟲耗時(shí)", end2-start2, "秒")

#輸出結(jié)果↓  耗時(shí)與線上環(huán)境和硬件條件有關(guān)
#普通爬蟲耗時(shí) 3.626128673553467 秒
#多線程爬蟲耗時(shí) 2.0856518745422363 秒

看到結(jié)果對(duì)比之后就會(huì)知道，通常情況下多線程爬蟲的效率會(huì)比單線程高很多。而且需要處理的任務(wù)量越多的時(shí)候，這個(gè)差異會(huì)越明顯。

好，我們?cè)賮?lái)仔細(xì)解讀一下這部分多線程爬蟲代碼，我們?nèi)〕鲫P(guān)鍵部分看看

# 導(dǎo)入 concurrent.futures 這個(gè)包
from concurrent import futures

# 初始化一個(gè)線程池，最大的同時(shí)任務(wù)數(shù)是 5
executor = futures.ThreadPoolExecutor(max_workers=5)

concurrent是 Python 自帶的庫(kù)，這個(gè)庫(kù)具有線程池和進(jìn)程池、管理并行編程任務(wù)、處理非確定性的執(zhí)行流程、進(jìn)程/線程同步等功能。
executor 就是我們剛剛初始化的線程池，我們調(diào)用 executor 的 submit() 方法往里面提交任務(wù)。第一個(gè)參數(shù) session.get 是提交要運(yùn)行的函數(shù)，第二個(gè)參數(shù) url 是提交的函數(shù)運(yùn)行時(shí)的參數(shù)。

fs = []
for url in urls:
  # 提交任務(wù)到線程池
  f = executor.submit(session.get, url)
  fs.append(f)

executor 就是我們剛剛初始化的線程池，我們調(diào)用 executor 的 submit() 方法往里面提交任務(wù)。第一個(gè)參數(shù) session.get 是提交要運(yùn)行的函數(shù)，第二個(gè)參數(shù) url 是提交的函數(shù)運(yùn)行時(shí)的參數(shù)。
executor.submit() 方法會(huì)給我們一個(gè)返回值，它是一個(gè) future 對(duì)象，我們把它賦值給變量 f。

# 等待這些任務(wù)全部完成
futures.wait(fs)

fs 是保存了上面所有任務(wù)的 future 對(duì)象的列表，futures.wait() 方法可以等待直到 fs 里面所有的 future 對(duì)象都有結(jié)果為止。

# 獲取任務(wù)的結(jié)果
result = [f.result().text for f in fs]

fs 是保存了上面所有任務(wù)的 future 對(duì)象的列表，我們遍歷所有任務(wù)的 future 對(duì)象，調(diào)用 future 對(duì)象的 result() 方法，就能得到任務(wù)的結(jié)果。
那結(jié)果是什么類型的呢？取決于提交的任務(wù)。比如我們提交的是 session.get(url)，它的返回值是一個(gè) response 對(duì)象，那我們調(diào)用它的 text 屬性就能得到響應(yīng)的完整內(nèi)容了。

四、線程池

前面我們講過(guò)，線程是操作系統(tǒng)提供給我們的能力，可以把不同的任務(wù)放到不同的線程里，這樣它們可以同時(shí)運(yùn)行。但是這個(gè)能力一定是有限的，并不能無(wú)止境的制造線程。如果運(yùn)行的線程數(shù)太多，操作系統(tǒng)在安排這些線程的執(zhí)行順序等事情上要花費(fèi)很大的代價(jià)。

我們先來(lái)回憶一下一開(kāi)始的第三個(gè)例子，在這個(gè)例子里，之所以切換到第二個(gè)任務(wù)可以提高我們的效率，是因?yàn)榈谝粋€(gè)任務(wù)已經(jīng)處于空閑狀態(tài)。

但假如我們的線程數(shù)非常多，步驟 1 可以一直往圖的右下堆疊，直到占滿了空閑時(shí)間。這時(shí)再加線程對(duì)爬蟲而言是沒(méi)有意義的，任務(wù)同樣要排隊(duì)來(lái)運(yùn)行。

所以線程池其實(shí)就是限制了最多同時(shí)運(yùn)行的線程數(shù)。比如我們初始化一個(gè)最大任務(wù)數(shù)為 5 的線程池，這樣即使我們提交了 100 任務(wù)到這個(gè)池子里，同時(shí)在運(yùn)行的也只有五個(gè)。而一個(gè)任務(wù)被完成后，也會(huì)被移出線程池騰出空間。所以，用線程池可以避免上面提到的兩個(gè)問(wèn)題。

其實(shí)還有第三個(gè)問(wèn)題，就是考慮到被爬網(wǎng)站的性能和其反爬機(jī)制，我們也不應(yīng)該讓機(jī)器過(guò)快地去運(yùn)行爬蟲。線程池的數(shù)量建議可以在 10 左右，電腦性能好而且不擔(dān)心被爬取網(wǎng)站封禁的可以考慮加到幾十，性能差的可以考慮降到 5。

下一篇文章我會(huì)介紹一個(gè)并發(fā)爬取的項(xiàng)目實(shí)戰(zhàn)，希望有需要的同學(xué)來(lái)看看！！
文章鏈接：Python進(jìn)階多線程爬取網(wǎng)頁(yè)項(xiàng)目實(shí)戰(zhàn)

本次分享到此結(jié)束，非常感謝大家閱讀??！
有問(wèn)題歡迎評(píng)論區(qū)留言??！

更多關(guān)于Python多線程爬取網(wǎng)頁(yè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論