python爬蟲之線程池和進程池

一、需求

　　最近准備爬取某電商網站的數據，先不考慮代理、分布式，先說效率問題（當然你要是請求的太快就會被封掉，親測，400個請求過去，服務器直接拒絕連接，心碎），步入正題。一般情況下小白的我們第一個想到的是for循環，這個可是單線程啊。那我們考慮for循環直接開他個5個線程，問題來了，如果有一個url請求還沒有回來，后面的就干等，這么用多線程等於沒用，到處貼創可貼。

二、性能考慮

　　確定要用多線程或者多進程了，那我們到底是用多線程還是多進程，有些人對多進程和多線程有一定的偏見，就因為python的GIL鎖，下面我們說一下這兩個東西的差別。

三、多線程：

 　　一般情況下我們啟動一個.py文件，就等於啟動了一個進程，一個進程里面默認有一個線程工作，我們使用的多線程的意思就是在一個進程里面啟用多個線程。但問題來了，為什么要使用多線程呢？我知道啟動一個進程的時候需要創建一些內存空間，就相當於一間房子，我們要在這個房子里面干活，你可以想一個人就等於一個線程，你房子里面有10個人的空間跟有20個人的空間，正常情況下是不一樣的，因為我們知道線程和線程之間默認是可以通信的（進程之間默認是不可以通信的，不過可以用技術實現，比如說管道）。可以多線程為了保證計算數據的正確性，所以出現了GIL鎖，保證同一時間只能有一個線程在計算。GIL鎖你可以基本理解為，比如在這個房間里要算一筆賬，在同一時間內只能有一個人在算這筆賬，想一個問題，如果這筆賬5個人就能算清楚，我需要10平米的房間就行，那為什么要請10個人，花20平米呢？所以並不是開的線程越多越好。但是，但是，但是，注意大家不用動腦筋（CPU計算）算這筆賬的時候可以去干別的事（比如說5個人分工，各算一部分），比如說各自把自己算完后的結果記錄在賬本上以便后面對賬，這個的話每個人都有自己的賬本，所以多線程適合IO操作，記住了就算是適合IO操作，也不代表說人越多越好，所以這個量還是得根據實際情況而定。

　　示例：

import requests
from concurrent.futures import ThreadPoolExecutor

urls_list = [
    'https://www.baidu.com',
    'http://www.gaosiedu.com',
    'https://www.jd.com',
    'https://www.taobao.com',
    'https://news.baidu.com',
]
pool = ThreadPoolExecutor(3)

def request(url):
    response = requests.get(url)
    return response

def read_data(future,*args,**kwargs):
    response = future.result()
    response.encoding = 'utf-8'
    print(response.status_code,response.url)

def main():
    for url in urls_list:
        done = pool.submit(request,url)
        done.add_done_callback(read_data)

if __name__ == '__main__':
    main()
    pool.shutdown(wait=True)

四、多進程：

 　　上面我們介紹了多線程（線程池），現在我們聊聊進程池，我們知道一個進程占用一個CPU，現在的配置CPU一般都是4核，我們啟動兩個進程就是分別在兩個CPU里面（兩個內核）各運行一個進程，我知道進程里面才有線程，默認是一個。但是有個缺點，按照上面的說法，開兩個進程占用的內存空間是開一個進程占用內存空間的2倍。CPU就占用了2個核，電腦還得干別的事兒對吧，不能冒冒失失瞎用。開的太多是不是其他程序就得等着，我們思考一下，占用這么多的內存空間，利用了多個CPU的優點為了什么？CPU是用來做什么的？沒錯就是用來計算的，所以在CPU密集運算的情況下建議用多進程。注意，具體要開幾個進程，根據機器的實際配置和實際生產情況而定。

import requests
from concurrent.futures import ProcessPoolExecutor

urls_list = [
    'https://www.baidu.com',
    'http://www.gaosiedu.com',
    'https://www.jd.com',
    'https://www.taobao.com',
    'https://news.baidu.com',
]
pool = ProcessPoolExecutor(3)

def request(url):
    response = requests.get(url)
    return response

def read_data(future,*args,**kwargs):
    response = future.result()
    response.encoding = 'utf-8'
    print(response.status_code,response.url)

def main():
    for url in urls_list:
        done = pool.submit(request,url)
        done.add_done_callback(read_data)

if __name__ == '__main__':
    main()
    pool.shutdown(wait=True)

 

總結：

 　　1、多線程適合IO密集型程序

　　 2、多進程適合CPU密集運算型程序

 

五、協程：

　　協程：又稱微線程纖程。英文名Coroutine。那協程到底是個什么東西，通俗的講就是比線程還要小的線程，所以才叫微線程。

　　主要作用：有人要問了，在python中線程是原子操作（意思就是說一句話或者一個動作就能搞定的操作或者計算），怎么還有個叫協程的呢？

　　優點：

　　　　1、使用高並發、高擴展、低性能的；一個CPU支持上萬的協程都不是問題。所以很適合用於高並發處理。

　　　　2、無需線程的上下文切換開銷（乍一看，什么意思呢？我們都知道python實際上是就是單線程，那都是怎么實現高並發操作呢，就是CPU高速的切換，每個任務都干一點，最后看上去是一起完事兒的，肉眼感覺就是多線程、多進程）

　　缺點：

　　　　1、無法利用CPU的多核優點，這個好理解，進程里面包含線程，而協程就是細分后的線程，也就是說一個進程里面首先是線程其后才是協程，那肯定是用不了多核了，不過可以多進程配合，使用CPU的密集運算，平時我們用不到。

 

　　1、一般情況下用的比較多的是asyncio或者是gevent這兩個技術實現協程，asyncio是python自帶的技術，gevent第三方庫，個人比較喜歡gevent這個技術。

　　gevent：

　　　　安裝：gevent需要安裝greenlet，因為它是使用到了greenlet這個庫。

pip3 install greenlet
pip3 install gevent

　　　　1、gevent的基本實現，按照下面的寫法，程序啟動后將會開啟許許多多的協程，反而特別影響性能。

import requests
import gevent
from gevent import monkey

#把當前的IO操作，打上標記，以便於gevent能檢測出來實現異步(否則還是串行）
monkey.patch_all()


def task(url):
    '''
    1、request發起請求
    :param url: 
    :return: 
    '''
    response = requests.get(url)
    print(response.status_code)

gevent.joinall([
    gevent.spawn(task,url='https://www.baidu.com'),
    gevent.spawn(task,url='http://www.sina.com.cn'),
    gevent.spawn(task,url='https://news.baidu.com'),
])

 

　　　　2、有一個改進版本，就是可以設置到底讓它一次發起多少個請求（被忘了，協程=高並發現實之一）。其實里面就是利用gevnet下的pool模塊里面的Pool控制每次請求的數量。　　

import requests
import gevent
from gevent import monkey
from gevent.pool import Pool

#把當前的IO操作，打上標記，以便於gevent能檢測出來實現異步(否則還是串行）
monkey.patch_all()


def task(url):
    '''
    1、request發起請求
    :param url:
    :return:
    '''
    response = requests.get(url)
    print(response.status_code)
    
    
#控制最多一次向遠程提交多少個請求，None代表不限制
pool = Pool(5)
gevent.joinall([
    pool.spawn(task,url='https://www.baidu.com'),
    pool.spawn(task,url='http://www.sina.com.cn'),
    pool.spawn(task,url='https://news.baidu.com'),
])

　　　　3、還有一版本，每次我們都要裝greenlet和gevent這肯定是沒法子，但是，我們上面寫的這個改進版還是有點麻煩，所以就有人寫了100多行代碼把它們給搞到了一起，對就是搞到了一起，叫grequests，就是前者兩個技術的結合。

pip3 install grequests

　　　　這個版本是不是特別變態，直接把requests、greenlet、gevent、Pool都省的導入了，但是裝還是要裝的，有人說從下面代碼中我沒看到Pool的參數啊，grequests.map(request_list,size=5)，size就是你要同時開幾個協程，還有參數你得點進去看，是不是很牛，很輕松

import grequests

request_list = [
    grequests.get('https://www.baidu.com'),
    grequests.get('http://www.sina.com.cn'),
    grequests.get('https://news.baidu.com'),
]
# ##### 執行並獲取響應列表 #####
response_list = grequests.map(request_list,size=5)
print(response_list)

 　　　　結果返回一個列表，你可以再迭代一下就行了。