Python异步爬虫多线程与线程池示例详解_Python

背景

当对多个url发送请求时，只有请求完第一个url才会接着请求第二个url（requests是一个阻塞的操作），存在等待的时间，这样效率是很低的。那我们能不能在发送请求等待的时候，为其单独开启进程或者线程，继续请求下一个url，执行并行请求

异步爬虫方式

多线程，多进程（不建议）

好处：可以为相关阻塞的操作单独开启线程或者进程，阻塞操作就可以异步会执行

弊端：不能无限制开启多线程或者多进程（需要频繁的创建或者销毁进程，线程）

线程池，进程池（适当使用）

好处：可以降低系统对进程或线程创建和销毁的频率，从而很好的而降低系统的开销

弊端：线程或进程池中的数量是有上限的

单线程+异步协程（推荐）

多线程

正常运行如下的代码，需要花费8秒钟的时间，因为sleep是一个阻塞的操作，在等待的时候不会执行别的操作，极大地降低了效率

from time import sleep
import time
start = time.time()
def xx(str):
  print('正在下载：', str)
  sleep(2)
str = ['xiaozi', 'aa', 'bb', 'cc']
for i in str:
  xx(i)
end = time.time()
print('程序运行时间：',end-start)

Python异步爬虫多线程与线程池示例详解

使用多线程后

from threading import Thread
from time import sleep
import time
start = time.time()
def xx(str):
      print('正在下载：',str)
      sleep(2)
str =  ['xiaozi','aa','bb','cc']
def main():
  for s in str:
      #开启线程，target=函数名,args=(xx,) ,xx为向函数传递的参数，必须为元组类型，所以后面需要加,
      t = Thread(target=xx,args=(s,))
      t.start()
if __name__ == '__main__':
  main()
  end = time.time()
  print('程序运行时间：',end-start)

但是我们发现下面的运行顺序貌似有点乱的

Python异步爬虫多线程与线程池示例详解

线程池

对上面的改为线程池后运行

#倒入线程池模块对应的类
from multiprocessing.dummy import Pool
from time import sleep
import time
start = time.time()
def xx(str):
      print('正在下载：',str)
      sleep(2)
str =  ['xiaozi','aa','bb','cc']
#实例化一个线程池对象，线程池中开辟四个线程对象，并行4个线程处理四个阻塞操作
pool = Pool(4)
#将列表中的每一个列表元素（可迭代对象）传递给xx函数（发生阻塞的操作）进行处理
#map方法会有一个返回值为函数的返回值（一个列表），但是这里没有返回值所以不考虑
#调用map方法
pool.map(xx,str)
end = time.time()
print('程序运行时间：',end-start)

Python异步爬虫多线程与线程池示例详解