多线程requests爬虫

为了提高爬虫程序效率，由于python解释器GIL，导致同一进程中即使有多个线程，实际上也只会有一个线程在运行，但通过request.get发送请求获取响应时有阻塞，所以采用了多线程依然可以提高爬虫效率：

单线程爬虫思路

先来个单线程的思路图，针对规则url地址的网站：

多线程爬虫思路

待过两天有空再画个多线程的，先mark一下下拉。

多线程爬虫注意点

• 解耦

  • 整个程序分为4部分，url list模块、发送请求，获取响应模块、数据提取模块、保存模块，如果某一模块出现问题，互相之间不会影响。

• 规则url

  • 本文程序针对规则url，比如贴吧、内涵段子、糗事百科等，其他不规则url网址，在程序结构上只需要修改url部分即可。

• 资源竞争

  • 由于使用了多线程，不同线程在共享数据时，容易产生资源竞争，假设共享数据放入列表中，那么同一时刻有可能2个线程去列表中取同一个数据，重复使用。
  • 解决办法是使用队列，使得某一线程get数据时，其他线程无法get同一数据，真正起到保护作用，类似互斥锁。
  • 下面以url列表为例对队列进行说明(只列举部分代码，全代码在最下方)：

import requests
import queue import Queue
pass

class Spider_s:
        def __init__(self):
            self.url_regular = pass
            self.headers = pass
            self.myurl_queue = Queue()
            pass
        def myurl_list(self):
            for i in range(100): #构造100个规则rul地址
                self.myurl_queue.put(self.url_regular.format(i+1)) #把100个url地址放入队列中
        pass

• 队列常用方法介绍
  
  • 首先from queue import Queue (q=Queue()):

注意：get和get_nowait两者的区别是当队列取完了即队列为空时，get()会阻塞，等待着新数据继续取，而get_nowait()会报错.

注意：put和put_nowait 两者的区别是当队列为满时，put_nowait()会报错.

• 队列重点方法join task_done注意点

  • 重点注意q.join()方法，在python3中，join()会等待子线程、子进程结束之后，主线程、主进程才会结束.
  • 重点注意task_done()的使用：
    
    • 队列中put,队列计数会+1，get时计数不会减1，但当get+task_done时，队列计数才会减1，如果没有task_done则程序跑到最后不会终止哟.
    • 注意task_done()的位置，应该放在方法的最后以保证所有任务全部完成.

• setDaemon方法
  把子线程设置为守护线程，即认为该方法不是很重要，记住主线程结束，则该子线程结束

• join方法和setDaemon方法搭配使用
  主线程进行到join()处，join的效果是让主线程阻塞，等待子线程中队列任务完成之后再解阻塞，等子线程结束，join效果失效，之后主线程结束，由于使用了setDaemon(True),所以子线程跟着结束，此时整个程序结束。

完整代码

• 本文以xxx为例，完整代码如下：下次补上啦啦啦啦