数据挖掘_多进程抓取

Posted 2020-11-02 susmote

 

之前说过Python的多线程只能运行在一个单核上，也就是各线程是以并发的方式异步执行的

这篇文章我们来聊聊Python多进程的方式

 

多进程依赖于所在机器的处理器个数，在多核机器上进行多进程编程时，各核上运行的进程之间是并行执行的，可以利用进程池，是每一个内核上运行一个进程，当翅中的进程数量大于内核总数时，待运行的进程会等待，直至其他进程运行完毕让出内核

多进程就相当于下面这种卖票的行为

 

 

在这里要注意，当系统内只有一个单核CPU是，多进程并不会发生，此时各进程会依次占用CPU运行至完成

 

我们可以通过Python的语句会的CPU可用的核数，如下图

 

 

为了形成比较，我们还是使用之前的那个例子，当当图书，搜索关键字商品信息的抓取

首先写出多进程主方法

# coding=utf-8
__Author__ = "susmote"

from multi_threading import mining_func
import multiprocessing
import time


def multiple_process_test():
    start_time = time.time()
    page_range_list = [
        (1, 10),
        (11, 20),
        (21, 32),
    ]
    pool = multiprocessing.Pool(processes=3)
    for page_range in page_range_list:
        pool.apply_async(mining_func.get_urls_in_pages, (page_range[0], page_range[1]))

    pool.close()
    pool.join()
    end_time = time.time()
    print("抓取时间：", end_time - start_time)
    return end_time - start_time

　　在这里面，我简单解释一下有关多进程的操作

pool被定义为可同时并行3个进程的进程池，然后通过循环，使用apply_async方法使进入进程池的进程以异步的方式并行运行

下面是主函数

# coding=utf-8
__Author__ = "susmote"

from process_func import multiple_process_test


if __name__ == "__main__":
    pt = multiple_process_test()
    print("pt : ", pt)

　　

把代码运行起来，得到如下结果

 5.908

 

再运行一次

3.954

 

最后一次

4.163

 

取平均时间

4.341秒

 

这时我们再回顾上篇文章多线程的情况(同样网络条件下):

多线程

 

单线程

 

可以看到，差距非常明显，多进程占绝大优势

 

多进程就是这些，你也可以找一个更大的数据池，去试验这些方法