Python爬虫速度很慢？并发编程了解一下吧

Posted 2021-12-03 Dream丶Killer

文章目录

• • 前言
  • • 基础知识
    • GIL
    • 多线程
    • 创建Thread 对象
    • 自定义类继承 Thread

前言

网络爬虫程序是一种 IO 密集型（页面请求，文件读取）程序，会阻塞程序的运行消耗大量时间，而 Python 提供多种并发编程方式，能够在一定程度上提升 IO 密集型程序的执行效率。再开始之前你要先了解以下概念！

基础知识

并发：一段时间内发生某些事情。在单核 CPU 中，执行多个任务是以并发的方式运行的，由于只有一个核心处理器，CPU 把一个时间段划分成几个时间区间，各个任务只会在自己的时间区间执行，如果在自己的时间阶段没有完成任务，就会切换到下一个任务，由于各个时间段很短，切换频繁，所以给人的感觉是“同时”运行。

并行：同一时刻进行发生某些事情。在多核 CPU 中，是能够实现真正“同时”运行的，当一个 CPU 执行某个进程时，其他的 CPU 可以执行其他进程，两个进程互不抢占 CPU 资源。

同步：同步中各个任务不是独自运行的，任务之间有交替顺序，只有前一个任务完成后，后面的任务才能够开始运行。

异步：异步中各个任务可以独自运行，任务之间不会互相影响。

在爬虫过程中，异步相当于打开一个网页之后，不需要等待页面加载完成，继续打开新的网页。同步相当于打开一个网页，要等待它完全加载完才打开下一个网页。

提高爬虫速度的三种方式：多线程、多进程、协程。先来了解一下什么是进程，线程，协程？

进程：进程是一个可以独立运行的程序单位。 它是线程的集合，是由一个或多个线程构成的。

线程：是操作系统进行运算调度的最小单位，也是进程中的一个最小运行单元。

协程：协程是比线程更小的执行单元，可以说是一种轻量级的线程，线程的调度是在操作系统中进行的，而协程调度则是在用户空间进行的。它相对于线程的优点是切换成本更低。

GIL

GIL 全称（Global Interpreter Lock，全局解释器锁）在 Python 多线程下，每个线程的执行方式如下：

获取 GIL >>> 执行对应线程的代码 >>> 释放 GIL

一个线程想要执行，先要拿到 GIL，可以把 GIL 看作是许可证，并且在一个 Python 进程中，GIL 只有一个。拿到许可证才能够执行线程，这样就会导致，即使是多核条件下，一个 Python 进程下的多个线程，同一时刻也只能执行一个线程。

对于 IO 密集型（页面请求等） 任务来说，这个问题影响并不大；而对于 CPU密集型 任务来说，由于 GIL 的存在，多线程总体的运行效率相比可能反而比单线程更低。

多线程

多线程的应用场景： I/O 密集型 的程序。如

• 数据库请求
• 页面请求
• 读写文件

由于 GIL 的原因，全局只允许同一时间执行一个线程意味着： 为了保证各个线程都能完成自身的任务，需要频繁的进行 线程切换 操作。

Python 中实现多线程编程需要用到 threading 模块，我们每创建一个 Thread 对象就代表一个线程，每个线程可以去处理不同的任务。

创建 Thread 对象有 2 种方式。

• 将回调函数作为参数，直接创建 Thread 对象。
• 从 threading.Thread 继承创建一个新的子类，复写 run() 方法，实例化后调用 start() 方法启动新线程。

创建Thread 对象

threading.Thread(target=None, name=None, args=(), kwargs=None, *, daemon=None)

• target：指定要被 run() 方法调用的可调用对象。默认为 None，表示不调用任何函数。
• name：线程名。默认情况下，单一名称以 “Thread-N” 的形式构造，其中 N 是十进制数。
• args：目标调用的参数元组（target 的固定参数）。默认为()。
• kwargs：目标调用的关键字参数字典（target 的可变参数）。默认值为 None。
• daemon：是否开启守护线程，默认 MainThread（主线程）需要等待其他线程结束后才会结束，默认值为 None.

import threading
import time

def block(second):
    print(threading.current_thread().name, '线程正在运行')
    # 休眠 second 秒
    time.sleep(second)
    print(threading.current_thread().name, '线程结束')

print(threading.current_thread().name, '线程正在运行')

for i in [1, 3]:
    # 创建thread对象并指定回调函数block，name，以及固定参数i
    thread = threading.Thread(target=block, name=f'thread test {i}', args=[i])
    # 开启线程
    thread.start()

print(threading.current_thread().name, '线程结束')

threading.current_thread().name 获取当前线程的名称。先简单说一下上面代码的逻辑，先定义函数 block，输出当前线程信息，循环两次创建 thread 对象，然后开启线程，最后输出线程结束信息。注意各个信息的输出顺序，在 test1、test3 线程结束前主线程就已经结束了。

自定义类继承 Thread

现在直接在上面的例子上进行修改，使用自定义类来继承 Thread 实现多线程。

import threading
import time

class TestThread(threading.Thread):
    def __init__(self, name=None, second=0):
        threading.Thread.__init__(self, name=name)
        self.second = second

    def run(self):
        print(threading.current_thread().name, '线程正在运行')
        time.sleep(self.second)
        print(threading.current_thread().name, '线程结束')

        
print(threading.current_thread().name, '线程正在运行')

for i in [1, 3]:
    thread = TestThread(name=f'thread test {i}', second=i)
    # 开启线程
    thread.start()

print(threading.current_thread().name, '线程结束')

本篇只是简单的开头，后续将持续分享，直至掌握 Python并发爬虫。

---

对于刚入门 Python 或是想要入门 Python 的小伙伴，可以通过下方小卡片联系作者，一起交流学习，都是从新手走过来的，有时候一个简单的问题卡很久，但可能别人的一点拨就会恍然大悟，由衷的希望大家能够共同进步。

👇🏻 关注小卡片，一起学习Python👇🏻