初学多线程爬虫

多线程在爬虫中应用非常广泛，对于中大型项目来说很有必要，今天我将以初学者的姿态来完成一个简单的多线程爬虫程序。

1、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。

2、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 = Truedef 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。

5、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。

python爬虫常用模块

python标准库之urllib模块

涉及到网络这块，必不可少的模式就是urllib.request了，顾名思义这个模块主要负责打开URL和HTTP协议之类的

urllib最简单的应用就是

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url 需要打开的网址

data Post提交的数据

timeout 设置网站的访问超时时间

urlopen返回对象提供方法

read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作

geturl()函数返回response的url信息，常用于url重定向的情况

info()函数返回response的基本信息

getcode()函数返回response的状态代码，最常见的代码是200服务器成功返回网页,404请求的网页不存在，503服务器暂时不可用

编写一个testurllib.py来实验一下，代码如下

#!/usr/bin/env python
# coding: utf-8
__author__ = 'www.py3study.com'
import urllib.request
import time
import platform
import os
def clear():'''该函数用于清屏'''print(u'内容较多，显示3秒后翻页')time.sleep(3)OS = platform.system()if (OS == u'Windows'):os.system('cls')else:os.system('clear')def linkbaidu():url = 'https://www.baidu.com'try:response = urllib.request.urlopen(url, timeout=3)except urllib.request.URLError:print(u'网络地址错误')exit()with open('baidu.txt','w') as fp:fp.write(response.read().decode('utf-8'))print(u'获取url信息，response,geturl() \n: {}'.format(response.geturl()))print(u'获取返回代码,response.getcode() \n:{}'.format(response.getcode()))print(u'获取返回信息，response.info() \n:{}'.format(response.info()))print(u'获取的网页内容以存放当前目录baidu.txt中，请自行查看')if __name__ == '__main__':linkbaidu()

应该看到的效果

baidu.txt内容如下