持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第19天, 点击查看活动详情
本文主要介绍如何提高爬虫效率的问题，主要涉及到的知识为多线程、线程池、进程池以及协程等。关于爬虫相关，欢迎先阅读一下我的前几篇文章😶🌫️😶🌫️😶🌫️：
「Python」爬虫-1.入门知识简介 - 掘金 (juejin.cn)
「Python」爬虫-2.xpath解析和cookie，session - 掘金 (juejin.cn)
「Python」爬虫-3.防盗链处理 - 掘金 (juejin.cn)
参考文章：
首先对线程，进程，协程做一个简单的区分吧：
进程是资源单位，每一个进程至少要有一个线程，每个进程都有自己的独立内存空间，不同进程通过进程间通信来通信。
线程是执行单位，启动每一个程序默认都会有一个主线程。线程间通信主要通过共享内存，上下文切换很快，资源开销较少，但相比进程不够稳定容易丢失数据。
协程是一种用户态的轻量级线程， 协程的调度完全由用户控制。协程拥有自己的寄存器上下文和栈。协程调度切换时，将寄存器上下文和栈保存到其他地方，在切回来的时候，恢复先前保存的寄存器上下文和栈，直接操作栈则基本没有内核切换的开销，可以不加锁的访问全局变量，所以上下文的切换非常快。
了解了进程、线程、协程之间的区别之后，我们就可以思考如何用这些东西来提高爬虫的效率呢？
爬虫效率的提高
多线程
要体现多线程的特点就必须得拿单线程来做一个比较，这样才能凸显不同~
单线程运行举例：
def func():
for i in range(5):
print("func", i)
if __name__ == '__main__':
func()
for i in range(5):
print("main", i)运行结果如下：
# 单线程演示案例
result：
func 0
func 1
func 2
func 3
func 4
main 0
main 1
main 2
main 3
main 4可以注意到在单线程的情况下，程序是先打印fun 0 - 4， 再打印main 0 - 4。
下面再举一个多线程的🌰：
需要实例化一个Thread类 Thread(target=func()) target接收的就是任务（/函数），通过.start()方法就可以启动多线程了。
代码提供两种方式：
# 多线程（两种方法）
# 方法一：
from threading import Thread
def func():
for i in range(1000):
print("func ", i)
if __name__ == '__main__':
t = Thread(target=func()) # 创建线程并给线程安排任务
t.start() # 多线程状态为可以开始工作状态，具体的执行时间由CPU决定
for i in range(1000):
print("main ", i)# two
class MyThread(Thread):
def run(self): # 固定的 -> 当线程被执行的时候，被执行的就是run()
for i in range(1000):
print("子线程 ", i)
if __name__ == '__main__':
t = MyThread()
# t.run() #方法调用 --》单线程
t.start() #开启线程
for i in range(1000):
print("主线程 ", i)运行结果
子线程和主线程有时候会同时执行，这就是多线程吧线程创建之后只是代表处于能够工作的状态，并不代表立即执行，具体执行的时间需要看CPU
感觉线程执行的顺序就是杂乱无章的。
接下来分享一下多进程：
多进程
进程的使用：Process(target=func())
先举一个🌰来感受一下多进程的执行顺序：
from multiprocessing import Process
def func():
for i in range(1000):
print("子进程 ", i)
if __name__ == '__main__':
p = Process(target=func())
p.start()
for i in range(1000):
print("主进程 ", i)运行结果：
从结果中可以发出，所有的子进程按照顺序执行之后。就开始打印主进程0-999。进程打印的有序也表明线程是最小的执行单位。
开启多线程打印的时候，出现的数字并不是有序的。
线程池&进程池
在python中一般使用以下方法创建线程池/进程池：
with ThreadPoolExecutor(50) as t:
t.submit(fn, name=f"线程{i}")具体代码：
# 线程池：一次性开辟一些线程，我们用户直接给线程池提交任务，线程任务的调度交给线程池来完成
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
def fn(name):
for i in range(1000):
print(name,i)
if __name__ == '__main__':
# 创建线程池
with ThreadPoolExecutor(50) as t:
for i in range(100):
t.submit(fn, name=f"线程{i}")
# 等待线程池中的任务全部执行完毕，才继续执行（守护）
print(123)进程池的创建方法类似。
协程
协程：当程序遇见IO操作的时候，可以选择性的切换到其他任务上。
在微观上是一个任务一个任务的进行切换，切换条件一般就是IO操作
在宏观上，我们能看到的其实就是多个任务一起在执行，
多任务异步操作（就像你自己一边洗脚一边看剧一样~，时间管理带师(bushi）
线程阻塞的一些案例：
🌰1：
time.sleep(30) # 让当前线程处于阻塞状态，CPU是不为我工作的
# input() 程序也是处于阻塞状态
# requests.get(xxxxxx) 在网络请求返回数据之前，程序也是处于阻塞状态
# 一般情况下，当程序处于IO操作的时候，线程都会处于阻塞状态
# for example： 边洗脚边按摩import asyncio
import time
async def func():
print("hahha")
if __name__ == "__main__":
g = func() # 此时的函数是异步协程函数，此时函数执行得到的是一个协程对象
asyncio.run(g) # 协程程序运行需要asyncio模块的支持输出结果：
root@VM-12-2-ubuntu:~/WorkSpace# python test.py
hahha🌰2：
async def func1():
print("hello，my name id hanmeimei")
# time.sleep(3) # 当程序出现了同步操作的时候，异步就中断了
await asyncio.sleep(3) # 异步操作的代码
print("hello，my name id hanmeimei")
async def func2():
print("hello，my name id wahahha")
# time.sleep(2)
await asyncio.sleep(2) # 异步操作的代码
print("hello，my name id wahahha")
async def func3():
print("hello，my name id hhhhhhhc")
# time.sleep(4)
await asyncio.sleep(4) # 异步操作的代码
print("hello，my name id hhhhhhhc")
if __name__ == "__main__":
f1 = func1()
f2 = func2()
f3 = func3()
task = [
f1, f2, f3
]
t1 = time.time()
asyncio.run(asyncio.wait(task))
t2 = time.time()
print(t2 - t1)运行结果：
注意到执行await asyncio.sleep(4)后，主程序就会调用其他函数了。成功实现了异步操作。（边洗脚边按摩bushi ）
下面的代码看起来更为规范~
async def func1():
print("hello，my name id hanmeimei")
await asyncio.sleep(3)
print("hello，my name id hanmeimei")
async def func2():
print("hello，my name id wahahha")
await asyncio.sleep(2)
print("hello，my name id wahahha")
async def func3():
print("hello，my name id hhhhhhhc")
await asyncio.sleep(4)
print("hello，my name id hhhhhhhc")
async def main():
# 第一种写法
# f1 = func1()
# await f1 # 一般await挂起操作放在协程对象前面
# 第二种写法(推荐)
tasks = [
func1(), # py3.8以后加上asyncio.create_task()
func2(),
func3()
]
await asyncio.wait(tasks)
if __name__ == "__main__":
t1 = time.time()
asyncio.run(main())
t2 = time.time()
print(t2 - t1)再举一个模拟下载的🌰吧，更加形象啦：
async def download(url):
print("准备开始下载")
await asyncio.sleep(2) # 网络请求
print("下载完成")
async def main():
urls = [
"http://www.baidu.com",
"http://www.bilibili.com",
"http://www.163.com"
]
tasks = []
for url in urls:
d = download(url)
tasks.append(d)
await asyncio.wait(tasks)
if __name__ == '__main__':
asyncio.run(main())# requests.get() 同步的代码 => 异步操作aiohttp
import asyncio
import aiohttp
urls = [
"http://kr.shanghai-jiuxin.com/file/2020/1031/191468637cab2f0206f7d1d9b175ac81.jpg",
"http://i1.shaodiyejin.com/uploads/tu/201704/9999/fd3ad7b47d.jpg",
"http://kr.shanghai-jiuxin.com/file/2021/1022/ef72bc5f337ca82f9d36eca2372683b3.jpg"
]
async def aiodownload(url):
name = url.rsplit("/", 1)[1] # 从右边切，切一次，得到[1]位置的内容 fd3ad7b47d.jpg
async with aiohttp.ClientSession() as session: # requests
async with session.get(url) as resp: # resp = requests.get()
# 请求回来之后，写入文件
# 模块 aiofiles
with open(name, mode="wb") as f: # 创建文件
f.write(await resp.content.read()) # 读取内容是异步的，需要将await挂起, resp.text()
print(name, "okk")
# resp.content.read() ==> resp.text()
# s = aiphttp.ClientSession <==> requests
# requests.get() .post()
# s.get() .post()
# 发送请求
# 保存图片内容平
# 保存为文件
async def main():
tasks = []
for url in urls:
tasks.append(aiodownload(url))
await asyncio.wait(tasks)
if __name__ == '__main__':
asyncio.run(main())最后再来利用协程实现爬取异步小说的案例
案例：协程爬取一部小说
# 协程-爬取一部小说
# "https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4305592439"} => 所有章节的内容（名称，cid）
# 章节内部的内容
# https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4305592439","cid":"4305592439|10525845","need_bookinfo":"1"}
import requests
import os
import aiohttp
import aiofiles
import asyncio
import json
"""
1.同步操作：访问getCatalog 拿到所有章节的cid和名称
2.异步操作：访问getChapterContent
"""
async def aiodownload(cid, b_id, title):
data = {
"book_id": b_id,
"cid": f"{b_id}|{cid}",
"need_bookinfo": 1
}
data = json.dumps(data)
url = f"https://dushu.baidu.com/api/pc/getChapterContent?data={data}"
async with aiohttp.ClientSession() as session:
async with session.get(url) as resp:
dic = await resp.json()
async with aiofiles.open(title, mode="w", encoding="utf-8") as f:
os.chdir(f"D:/python/workSpace/study_demo/base/book_demos/demo/novel")
await f.write(dic['data']['novel']['content'])
async def getCatalog(url):
resp = requests.get(url)
dic = resp.json()
tasks = []
for item in dic['data']['novel']['items']: # item 就是对应每一个章节的名称和cid
title = item['title']
cid = item['cid']
# 准备异步任务
tasks.append(aiodownload(cid, b_id, title))
await asyncio.wait(tasks)
if __name__ == '__main__':
b_id = "4305592439"
url = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"' + b_id + '"}'
loop = asyncio.get_event_loop()
loop.run_until_complete(getCatalog(url))
# asyncio.run(getCatalog(url))补充知识-json:
json.dumps将一个 Python数据结构转换为JSON
json.dump()和json.dumps()的区别
json.dumps() 是把python对象转换成json对象的一个过程，生成的是字符串。
json.dump() 是把python对象转换成json对象生成一个fp的文件流，和文件相关。
import json
x = {'name':'你猜','age':19,'city':'四川'}
#用dumps将python编码成json字符串
y = json.dumps(x)
print(y)
i = json.dumps(x,separators=(',',':'))
print(i)
"""
输出结果
{"name": "\u4f60\u731c", "age": 19, "city": "\u56db\u5ddd"}
{"name":"\u4f60\u731c","age":19,"city":"\u56db\u5ddd"}
"""关于线程，进程，协程就写到这儿啦，如果对你有帮助的吧，就留下你的足迹吧~⛷️⛷️⛷️
---
往期好文推荐🪶
「MongoDB」Win10版安装教程
