python採用 多進程/多線程/協程 寫爬蟲以及性能對比，牛逼的分分鐘就將一個網站爬下來!

時間  2020-06-14
標籤 python 採用 進程 多線程 爬蟲 以及 性能 對比 分鐘 一個 網站 爬下 欄目 Python 简体版
原文   原文鏈接

 

首先咱們來了解下python中的進程，線程以及協程！html

從計算機硬件角度：node

計算機的核心是CPU，承擔了全部的計算任務。
一個CPU，在一個時間切片裏只能運行一個程序。python

 

從操做系統的角度：數據庫

進程和線程，都是一種CPU的執行單元。安全

進程：表示一個程序的上下文執行活動（打開、執行、保存...）服務器

線程：進程執行程序時候的最小調度單位（執行a，執行b...)網絡

一個程序至少有一個進程，一個進程至少有一個線程。多線程

 

並行 和 併發：併發


並行：多個CPU核心，不一樣的程序就分配給不一樣的CPU來運行。可讓多個程序同時執行。app

cpu1 -------------
cpu2 -------------
cpu3 -------------
cpu4 -------------

併發：單個CPU核心，在一個時間切片裏一次只能運行一個程序，若是須要運行多個程序，則串行執行。

cpu1　　----　　----

cpu1 　　　----　　----

 


多進程/多線程：
表示能夠同時執行多個任務，進程和線程的調度是由操做系統自動完成。


進程：每一個進程都有本身獨立的內存空間，不一樣進程之間的內存空間不共享。
進程之間的通訊有操做系統傳遞，致使通信效率低，切換開銷大。

線程：一個進程能夠有多個線程，全部線程共享進程的內存空間，通信效率高，切換開銷小。

共享意味着競爭，致使數據不安全，爲了保護內存空間的數據安全，引入"互斥鎖"。

一個線程在訪問內存空間的時候，其餘線程不容許訪問，必須等待以前的線程訪問結束，才能使用這個內存空間。

互斥鎖：一種安全有序的讓多個線程訪問內存空間的機制。

 

Python的多線程：

GIL 全局解釋器鎖：線程的執行權限，在Python的進程裏只有一個GIL。

一個線程須要執行任務，必須獲取GIL。

好處：直接杜絕了多個線程訪問內存空間的安全問題。
壞處：Python的多線程不是真正多線程，不能充分利用多核CPU的資源。

可是，在I/O阻塞的時候，解釋器會釋放GIL。


因此：

多進程：密集CPU任務，須要充分使用多核CPU資源（服務器，大量的並行計算）的時候，用多進程。 multiprocessing
缺陷：多個進程之間通訊成本高，切換開銷大。


多線程：密集I/O任務（網絡I/O，磁盤I/O，數據庫I/O）使用多線程合適。
threading.Thread、multiprocessing.dummy
缺陷：同一個時間切片只能運行一個線程，不能作到高並行，可是能夠作到高併發。


協程：又稱微線程，在單線程上執行多個任務，用函數切換，開銷極小。不經過操做系統調度，沒有進程、線程的切換開銷。genvent，monkey.patchall

多線程請求返回是無序的，那個線程有數據返回就處理那個線程，而協程返回的數據是有序的。

缺陷：單線程執行，處理密集CPU和本地磁盤IO的時候，性能較低。處理網絡I/O性能仍是比較高.

 

下面以這個網站爲例，採用三種方式爬取。爬取前250名的電影。。

https://movie.douban.com/top250?start=0

 經過分析網頁發現第2頁的url start=25，第3頁的url start=50,第3頁的start=75。所以能夠得出這個網站每一頁的數局是經過遞增start這個參數獲取的。

通常不看第一頁的數據，第一頁的沒有參考價值。

 

此次咱們主要爬取，電影名字跟評分。只是使用不一樣方式去對比下不一樣點，因此數據方面就不過多提取或者保存。只是簡單的將其爬取下打印出來看看。

第一：採用多進程 , multiprocessing 模塊。 固然這個耗時更網絡好壞有關。在所有要請求都正常的狀況下耗時15s多。

 

#!/usr/bin/env python2
# -*- coding=utf-8 -*-

from multiprocessing import Process, Queue

import time
from lxml import etree
import requests


class DouBanSpider(Process):
    def __init__(self, url, q):
        # 重寫寫父類的__init__方法
        super(DouBanSpider, self).__init__()
        self.url = url
        self.q = q
        self.headers = {
            'Host': 'movie.douban.com',
            'Referer': 'https://movie.douban.com/top250?start=225&filter=',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
        }

    def run(self):
        self.parse_page()

    def send_request(self,url):
        '''
        用來發送請求的方法
        :return: 返回網頁源碼
        '''
        # 請求出錯時，重複請求３次,
        i = 0
        while i <= 3:
            try:
                print u"[INFO]請求url:"+url
                return requests.get(url=url,headers=self.headers).content
            except Exception as e:
                print u'[INFO] %s%s'% (e,url)
                i += 1

    def parse_page(self):
        '''
        解析網站源碼，並採用ｘｐａｔｈ提取　電影名稱和平分放到隊列中
        :return:
        '''
        response = self.send_request(self.url)
        html = etree.HTML(response)
        #　獲取到一頁的電影數據
        node_list = html.xpath("//div[@class='info']")
        for move in node_list:
            # 電影名稱
            title = move.xpath('.//a/span/text()')[0]
            # 評分
            score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]
           
            # 將每一部電影的名稱跟評分加入到隊列
            self.q.put(score + "\t" + title)


def main():
    # 建立一個隊列用來保存進程獲取到的數據
    q = Queue()
    base_url = 'https://movie.douban.com/top250?start='
    # 構造全部ｕｒｌ
    url_list = [base_url+str(num) for num in range(0,225+1,25)]

    # 保存進程
    Process_list = []
    # 建立並啓動進程
    for url in url_list:
        p = DouBanSpider(url,q)
        p.start()
        Process_list.append(p)
    
    # 讓主進程等待子進程執行完成
    for i in Process_list:
        i.join()

    while not q.empty():
        print q.get()

if __name__=="__main__":
    
    start = time.time()
    main()
    print '[info]耗時：%s'%(time.time()-start)
Process多進程實現 
#!/usr/bin/env python2
# -*- coding=utf-8 -*-

from multiprocessing import Process, Queue

import time
from lxml import etree
import requests


class DouBanSpider(Process):
    def __init__(self, url, q):
        # 重寫寫父類的__init__方法
        super(DouBanSpider, self).__init__()
        self.url = url
        self.q = q
        self.headers = {
            'Host': 'movie.douban.com',
            'Referer': 'https://movie.douban.com/top250?start=225&filter=',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
        }

    def run(self):
        self.parse_page()

    def send_request(self,url):
        '''
        用來發送請求的方法
        :return: 返回網頁源碼
        '''
        # 請求出錯時，重複請求３次,
        i = 0
        while i <= 3:
            try:
                print u"[INFO]請求url:"+url
                return requests.get(url=url,headers=self.headers).content
            except Exception as e:
                print u'[INFO] %s%s'% (e,url)
                i += 1

    def parse_page(self):
        '''
        解析網站源碼，並採用ｘｐａｔｈ提取　電影名稱和平分放到隊列中
        :return:
        '''
        response = self.send_request(self.url)
        html = etree.HTML(response)
        #　獲取到一頁的電影數據
        node_list = html.xpath("//div[@class='info']")
        for move in node_list:
            # 電影名稱
            title = move.xpath('.//a/span/text()')[0]
            # 評分
            score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]
           
            # 將每一部電影的名稱跟評分加入到隊列
            self.q.put(score + "\t" + title)


def main():
    # 建立一個隊列用來保存進程獲取到的數據
    q = Queue()
    base_url = 'https://movie.douban.com/top250?start='
    # 構造全部ｕｒｌ
    url_list = [base_url+str(num) for num in range(0,225+1,25)]

    # 保存進程
    Process_list = []
    # 建立並啓動進程
    for url in url_list:
        p = DouBanSpider(url,q)
        p.start()
        Process_list.append(p)
    
    # 讓主進程等待子進程執行完成
    for i in Process_list:
        i.join()

    while not q.empty():
        print q.get()

if __name__=="__main__":
    
    start = time.time()
    main()
    print '[info]耗時：%s'%(time.time()-start)

　　

 

 

 

  採用多線程時，耗時10.4s

 

#!/usr/bin/env python2
# -*- coding=utf-8 -*-

from threading import Thread
from Queue import Queue
import time
from lxml import etree
import requests


class DouBanSpider(Thread):
    def __init__(self, url, q):
        # 重寫寫父類的__init__方法
        super(DouBanSpider, self).__init__()
        self.url = url
        self.q = q
        self.headers = {
            'Cookie': 'll="118282"; bid=ctyiEarSLfw; ps=y; __yadk_uid=0Sr85yZ9d4bEeLKhv4w3695OFOPoedzC; dbcl2="155150959:OEu4dds1G1o"; as="https://sec.douban.com/b?r=https%3A%2F%2Fbook.douban.com%2F"; ck=fTrQ; _pk_id.100001.4cf6=c86baf05e448fb8d.1506160776.3.1507290432.1507283501.; _pk_ses.100001.4cf6=*; __utma=30149280.1633528206.1506160772.1507283346.1507290433.3; __utmb=30149280.0.10.1507290433; __utmc=30149280; __utmz=30149280.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.1475767059.1506160772.1507283346.1507290433.3; __utmb=223695111.0.10.1507290433; __utmc=223695111; __utmz=223695111.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); push_noty_num=0; push_doumail_num=0',
            'Host': 'movie.douban.com',
            'Referer': 'https://movie.douban.com/top250?start=225&filter=',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
        }

    def run(self):
        self.parse_page()

    def send_request(self,url):
        '''
        用來發送請求的方法
        :return: 返回網頁源碼
        '''
        # 請求出錯時，重複請求３次,
        i = 0
        while i <= 3:
            try:
                print u"[INFO]請求url:"+url
                html = requests.get(url=url,headers=self.headers).content
            except Exception as e:
                print u'[INFO] %s%s'% (e,url)
                i += 1
            else:
                return html

    def parse_page(self):
        '''
        解析網站源碼，並採用ｘｐａｔｈ提取　電影名稱和平分放到隊列中
        :return:
        '''
        response = self.send_request(self.url)
        html = etree.HTML(response)
        #　獲取到一頁的電影數據
        node_list = html.xpath("//div[@class='info']")
        for move in node_list:
            # 電影名稱
            title = move.xpath('.//a/span/text()')[0]
            # 評分
            score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]

            # 將每一部電影的名稱跟評分加入到隊列
            self.q.put(score + "\t" + title)


def main():
    # 建立一個隊列用來保存進程獲取到的數據
    q = Queue()
    base_url = 'https://movie.douban.com/top250?start='
    # 構造全部ｕｒｌ
    url_list = [base_url+str(num) for num in range(0,225+1,25)]

    # 保存線程
    Thread_list = []
    # 建立並啓動線程
    for url in url_list:
        p = DouBanSpider(url,q)
        p.start()
        Thread_list.append(p)

    # 讓主線程等待子線程執行完成
    for i in Thread_list:
        i.join()

    while not q.empty():
        print q.get()

if __name__=="__main__":

    start = time.time()
    main()
    print '[info]耗時：%s'%(time.time()-start)
thread 
#!/usr/bin/env python2
# -*- coding=utf-8 -*-

from threading import Thread
from Queue import Queue
import time
from lxml import etree
import requests


class DouBanSpider(Thread):
    def __init__(self, url, q):
        # 重寫寫父類的__init__方法
        super(DouBanSpider, self).__init__()
        self.url = url
        self.q = q
        self.headers = {
            'Cookie': 'll="118282"; bid=ctyiEarSLfw; ps=y; __yadk_uid=0Sr85yZ9d4bEeLKhv4w3695OFOPoedzC; dbcl2="155150959:OEu4dds1G1o"; as="https://sec.douban.com/b?r=https%3A%2F%2Fbook.douban.com%2F"; ck=fTrQ; _pk_id.100001.4cf6=c86baf05e448fb8d.1506160776.3.1507290432.1507283501.; _pk_ses.100001.4cf6=*; __utma=30149280.1633528206.1506160772.1507283346.1507290433.3; __utmb=30149280.0.10.1507290433; __utmc=30149280; __utmz=30149280.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.1475767059.1506160772.1507283346.1507290433.3; __utmb=223695111.0.10.1507290433; __utmc=223695111; __utmz=223695111.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); push_noty_num=0; push_doumail_num=0',
            'Host': 'movie.douban.com',
            'Referer': 'https://movie.douban.com/top250?start=225&filter=',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
        }

    def run(self):
        self.parse_page()

    def send_request(self,url):
        '''
        用來發送請求的方法
        :return: 返回網頁源碼
        '''
        # 請求出錯時，重複請求３次,
        i = 0
        while i <= 3:
            try:
                print u"[INFO]請求url:"+url
                html = requests.get(url=url,headers=self.headers).content
            except Exception as e:
                print u'[INFO] %s%s'% (e,url)
                i += 1
            else:
                return html

    def parse_page(self):
        '''
        解析網站源碼，並採用ｘｐａｔｈ提取　電影名稱和平分放到隊列中
        :return:
        '''
        response = self.send_request(self.url)
        html = etree.HTML(response)
        #　獲取到一頁的電影數據
        node_list = html.xpath("//div[@class='info']")
        for move in node_list:
            # 電影名稱
            title = move.xpath('.//a/span/text()')[0]
            # 評分
            score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]

            # 將每一部電影的名稱跟評分加入到隊列
            self.q.put(score + "\t" + title)


def main():
    # 建立一個隊列用來保存進程獲取到的數據
    q = Queue()
    base_url = 'https://movie.douban.com/top250?start='
    # 構造全部ｕｒｌ
    url_list = [base_url+str(num) for num in range(0,225+1,25)]

    # 保存線程
    Thread_list = []
    # 建立並啓動線程
    for url in url_list:
        p = DouBanSpider(url,q)
        p.start()
        Thread_list.append(p)

    # 讓主線程等待子線程執行完成
    for i in Thread_list:
        i.join()

    while not q.empty():
        print q.get()

if __name__=="__main__":

    start = time.time()
    main()
    print '[info]耗時：%s'%(time.time()-start)

　　

 

 

 

採用協程爬取，耗時15S，

#!/usr/bin/env python2
# -*- coding=utf-8 -*-

from Queue import Queue
import time
from lxml import etree
import requests
import gevent

#　打上猴子補丁
from gevent import monkey
monkey.patch_all()

class DouBanSpider(object):
    def __init__(self):
        # 建立一個隊列用來保存進程獲取到的數據
        self.q = Queue()
        self.headers = {
            'Cookie': 'll="118282"; bid=ctyiEarSLfw; ps=y; __yadk_uid=0Sr85yZ9d4bEeLKhv4w3695OFOPoedzC; dbcl2="155150959:OEu4dds1G1o"; as="https://sec.douban.com/b?r=https%3A%2F%2Fbook.douban.com%2F"; ck=fTrQ; _pk_id.100001.4cf6=c86baf05e448fb8d.1506160776.3.1507290432.1507283501.; _pk_ses.100001.4cf6=*; __utma=30149280.1633528206.1506160772.1507283346.1507290433.3; __utmb=30149280.0.10.1507290433; __utmc=30149280; __utmz=30149280.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); __utma=223695111.1475767059.1506160772.1507283346.1507290433.3; __utmb=223695111.0.10.1507290433; __utmc=223695111; __utmz=223695111.1506160772.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); push_noty_num=0; push_doumail_num=0',
            'Host': 'movie.douban.com',
            'Referer': 'https://movie.douban.com/top250?start=225&filter=',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36',
        }

    def run(self,url):
        self.parse_page(url)

    def send_request(self,url):
        '''
        用來發送請求的方法
        :return: 返回網頁源碼
        '''
        # 請求出錯時，重複請求３次,
        i = 0
        while i <= 3:
            try:
                print u"[INFO]請求url:"+url
                html = requests.get(url=url,headers=self.headers).content
            except Exception as e:
                print u'[INFO] %s%s'% (e,url)
                i += 1
            else:
                return html

    def parse_page(self,url):
        '''
        解析網站源碼，並採用ｘｐａｔｈ提取　電影名稱和平分放到隊列中
        :return:
        '''
        response = self.send_request(url)
        html = etree.HTML(response)
        #　獲取到一頁的電影數據
        node_list = html.xpath("//div[@class='info']")
        for move in node_list:
            # 電影名稱
            title = move.xpath('.//a/span/text()')[0]
            # 評分
            score = move.xpath('.//div[@class="bd"]//span[@class="rating_num"]/text()')[0]

            # 將每一部電影的名稱跟評分加入到隊列
            self.q.put(score + "\t" + title)


    def main(self):


        base_url = 'https://movie.douban.com/top250?start='
        # 構造全部ｕｒｌ
        url_list = [base_url+str(num) for num in range(0,225+1,25)]
        # 建立協程並執行
        job_list = [gevent.spawn(self.run,url) for url in url_list]
        # 讓線程等待全部任務完成，再繼續執行。
        gevent.joinall(job_list)

        while not self.q.empty():
            print self.q.get()

if __name__=="__main__":
    start = time.time()
    douban = DouBanSpider()
    douban.main()
    print '[info]耗時：%s'%(time.time()-start)
gevent

 

 

 

 

用了多進程，多線程，協程，實現的代碼都同樣，沒有測試出明顯的那個好！都不分上下，可能跟網絡，或者服務器配置有關。

但理論上來講線程，協程在I/O密集的操做性能是要高於進程的。

 

也多是個人方法有問題，還望大神們指教！

 

 若是你支持我，就掃掃個人紅包，你領我幾毛，我領幾毛，也算是對個人支持。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程