237 lines
10 KiB
Markdown
237 lines
10 KiB
Markdown
## 并发下载
|
||
|
||
### 多线程和多进程补充知识点
|
||
|
||
#### threading.local类
|
||
|
||
使用线程时最不愿意遇到的情况就是多个线程竞争资源，在这种情况下为了保证资源状态的正确性，我们可能需要对资源进行加锁保护的处理，这一方面会导致程序失去并发性，另外如果多个线程竞争多个资源时，还有可能因为加锁方式的不当导致[死锁](https://zh.wikipedia.org/wiki/%E6%AD%BB%E9%94%81)。要解决多个线程竞争资源的问题，其中一个方案就是让每个线程都持有资源的副本（拷贝），这样每个线程可以操作自己所持有的资源，从而规避对资源的竞争。
|
||
|
||
要实现将资源和持有资源的线程进行绑定的操作，最简单的做法就是使用`threading`模块的`local`类，在网络爬虫开发中，就可以使用`local`类为每个线程绑定一个MySQL数据库连接或Redis客户端对象，这样通过线程可以直接获得这些资源，既解决了资源竞争的问题，又避免了在函数和方法调用时传递这些资源。具体的请参考本章多线程爬取“手机搜狐网”（Redis版）的实例代码。
|
||
|
||
#### concurrent.futures模块
|
||
|
||
Python3.2带来了`concurrent.futures` 模块，这个模块包含了线程池和进程池、管理并行编程任务、处理非确定性的执行流程、进程/线程同步等功能。关于这部分的内容推荐大家阅读[《Python并行编程》](http://python-parallel-programmning-cookbook.readthedocs.io/zh_CN/latest/index.html)。
|
||
|
||
#### 分布式进程
|
||
|
||
使用多进程的时候，可以将进程部署在多个主机节点上，Python的`multiprocessing`模块不但支持多进程，其中`managers`子模块还支持把多进程部署到多个节点上。当然，要部署分布式进程，首先需要一个服务进程作为调度者，进程之间通过网络进行通信来实现对进程的控制和调度，由于`managers`模块已经对这些做出了很好的封装，因此在无需了解网络通信细节的前提下，就可以编写分布式多进程应用。具体的请参照本章分布式多进程爬取“手机搜狐网”的实例代码。
|
||
|
||
### 协程和异步I/O
|
||
|
||
#### 协程的概念
|
||
|
||
协程（coroutine）通常又称之为微线程或纤程，它是相互协作的一组子程序（函数）。所谓相互协作指的是在执行函数A时，可以随时中断去执行函数B，然后又中断继续执行函数A。注意，这一过程并不是函数调用（因为没有调用语句），整个过程看似像多线程，然而协程只有一个线程执行。协程通过`yield`关键字和 `send()`操作来转移执行权，协程之间不是调用者与被调用者的关系。
|
||
|
||
协程的优势在于以下两点：
|
||
|
||
1. 执行效率极高，因为子程序（函数）切换不是线程切换，由程序自身控制，没有切换线程的开销。
|
||
2. 不需要多线程的锁机制，因为只有一个线程，也不存在竞争资源的问题，当然也就不需要对资源加锁保护，因此执行效率高很多。
|
||
|
||
> **说明**：协程适合处理的是I/O密集型任务，处理CPU密集型任务并不是它擅长的，如果要提升CPU的利用率可以考虑“多进程+多线程”或者“多进程+协程”的工作模式。
|
||
|
||
#### 历史回顾
|
||
|
||
1. Python 2.2：第一次提出了生成器（最初称之为迭代器）的概念（PEP 255）。
|
||
2. Python 2.5：引入了将对象发送回暂停了的生成器这一特性即生成器的`send()`方法（PEP 342）。
|
||
3. Python 3.3：添加了`yield from`特性，允许从迭代器中返回任何值（注意生成器本身也是迭代器），这样我们就可以串联生成器并且重构出更好的生成器。
|
||
4. Python 3.4：引入`asyncio.coroutine`装饰器用来标记作为协程的函数，协程函数和`asyncio`及其事件循环一起使用，来实现异步I/O操作。
|
||
5. Python 3.5：引入了`async`和`await`，可以使用`async def`来定义一个协程函数，这个函数中不能包含任何形式的`yield`语句，但是可以使用`return`或`await`从协程中返回值。
|
||
|
||
协程实现了协作式并发，通过提高CPU的利用率来达到改善性能的目的。著名的三方库[`aiohttp`](https://github.com/aio-libs/aiohttp)就是通过协程的方式实现了HTTP客户端和HTTP服务器的功能，较之`requests`有更好的获取数据的性能，有兴趣可以阅读它的[官方文档](https://aiohttp.readthedocs.io/en/stable/)。
|
||
|
||
```Python
|
||
import asyncio
|
||
import aiohttp
|
||
|
||
|
||
async def download(url):
|
||
print('Fetch:', url)
|
||
async with aiohttp.ClientSession() as session:
|
||
async with session.get(url, ssl=False) as resp:
|
||
print(url, '--->', resp.status)
|
||
print(url, '--->', resp.headers)
|
||
print('\n\n', await resp.text())
|
||
|
||
|
||
def main():
|
||
loop = asyncio.get_event_loop()
|
||
urls = [
|
||
'https://www.baidu.com',
|
||
'http://www.sohu.com/',
|
||
'http://www.sina.com.cn/',
|
||
'https://www.taobao.com/',
|
||
'http://jd.com/'
|
||
]
|
||
tasks = [download(url) for url in urls]
|
||
loop.run_until_complete(asyncio.wait(tasks))
|
||
loop.close()
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main()
|
||
```
|
||
|
||
### 实例 - 多线程爬取“手机搜狐网”所有页面
|
||
|
||
下面我们把之间讲的所有知识结合起来，用面向对象的方式实现一个爬取“手机搜狐网”的多线程爬虫。
|
||
|
||
```Python
|
||
import pickle
|
||
import zlib
|
||
from enum import Enum, unique
|
||
from hashlib import sha1
|
||
from random import random
|
||
from threading import Thread, current_thread, local
|
||
from time import sleep
|
||
from urllib.parse import urlparse
|
||
|
||
import pymongo
|
||
import redis
|
||
import requests
|
||
from bs4 import BeautifulSoup
|
||
from bson import Binary
|
||
|
||
|
||
@unique
|
||
class SpiderStatus(Enum):
|
||
IDLE = 0
|
||
WORKING = 1
|
||
|
||
|
||
def decode_page(page_bytes, charsets=('utf-8',)):
|
||
page_html = None
|
||
for charset in charsets:
|
||
try:
|
||
page_html = page_bytes.decode(charset)
|
||
break
|
||
except UnicodeDecodeError:
|
||
pass
|
||
return page_html
|
||
|
||
|
||
class Retry(object):
|
||
|
||
def __init__(self, *, retry_times=3,
|
||
wait_secs=5, errors=(Exception, )):
|
||
self.retry_times = retry_times
|
||
self.wait_secs = wait_secs
|
||
self.errors = errors
|
||
|
||
def __call__(self, fn):
|
||
|
||
def wrapper(*args, **kwargs):
|
||
for _ in range(self.retry_times):
|
||
try:
|
||
return fn(*args, **kwargs)
|
||
except self.errors as e:
|
||
print(e)
|
||
sleep((random() + 1) * self.wait_secs)
|
||
return None
|
||
|
||
return wrapper
|
||
|
||
|
||
class Spider(object):
|
||
|
||
def __init__(self):
|
||
self.status = SpiderStatus.IDLE
|
||
|
||
@Retry()
|
||
def fetch(self, current_url, *, charsets=('utf-8', ),
|
||
user_agent=None, proxies=None):
|
||
thread_name = current_thread().name
|
||
print(f'[{thread_name}]: {current_url}')
|
||
headers = {'user-agent': user_agent} if user_agent else {}
|
||
resp = requests.get(current_url,
|
||
headers=headers, proxies=proxies)
|
||
return decode_page(resp.content, charsets) \
|
||
if resp.status_code == 200 else None
|
||
|
||
def parse(self, html_page, *, domain='m.sohu.com'):
|
||
soup = BeautifulSoup(html_page, 'lxml')
|
||
for a_tag in soup.body.select('a[href]'):
|
||
parser = urlparse(a_tag.attrs['href'])
|
||
scheme = parser.scheme or 'http'
|
||
netloc = parser.netloc or domain
|
||
if scheme != 'javascript' and netloc == domain:
|
||
path = parser.path
|
||
query = '?' + parser.query if parser.query else ''
|
||
full_url = f'{scheme}://{netloc}{path}{query}'
|
||
redis_client = thread_local.redis_client
|
||
if not redis_client.sismember('visited_urls', full_url):
|
||
redis_client.rpush('m_sohu_task', full_url)
|
||
|
||
def extract(self, html_page):
|
||
pass
|
||
|
||
def store(self, data_dict):
|
||
# redis_client = thread_local.redis_client
|
||
# mongo_db = thread_local.mongo_db
|
||
pass
|
||
|
||
|
||
class SpiderThread(Thread):
|
||
|
||
def __init__(self, name, spider):
|
||
super().__init__(name=name, daemon=True)
|
||
self.spider = spider
|
||
|
||
def run(self):
|
||
redis_client = redis.Redis(host='1.2.3.4', port=6379, password='1qaz2wsx')
|
||
mongo_client = pymongo.MongoClient(host='1.2.3.4', port=27017)
|
||
thread_local.redis_client = redis_client
|
||
thread_local.mongo_db = mongo_client.msohu
|
||
while True:
|
||
current_url = redis_client.lpop('m_sohu_task')
|
||
while not current_url:
|
||
current_url = redis_client.lpop('m_sohu_task')
|
||
self.spider.status = SpiderStatus.WORKING
|
||
current_url = current_url.decode('utf-8')
|
||
if not redis_client.sismember('visited_urls', current_url):
|
||
redis_client.sadd('visited_urls', current_url)
|
||
html_page = self.spider.fetch(current_url)
|
||
if html_page not in [None, '']:
|
||
hasher = hasher_proto.copy()
|
||
hasher.update(current_url.encode('utf-8'))
|
||
doc_id = hasher.hexdigest()
|
||
sohu_data_coll = mongo_client.msohu.webpages
|
||
if not sohu_data_coll.find_one({'_id': doc_id}):
|
||
sohu_data_coll.insert_one({
|
||
'_id': doc_id,
|
||
'url': current_url,
|
||
'page': Binary(zlib.compress(pickle.dumps(html_page)))
|
||
})
|
||
self.spider.parse(html_page)
|
||
self.spider.status = SpiderStatus.IDLE
|
||
|
||
|
||
def is_any_alive(spider_threads):
|
||
return any([spider_thread.spider.status == SpiderStatus.WORKING
|
||
for spider_thread in spider_threads])
|
||
|
||
|
||
thread_local = local()
|
||
hasher_proto = sha1()
|
||
|
||
|
||
def main():
|
||
redis_client = redis.Redis(host='1.2.3.4', port=6379, password='1qaz2wsx')
|
||
if not redis_client.exists('m_sohu_task'):
|
||
redis_client.rpush('m_sohu_task', 'http://m.sohu.com/')
|
||
|
||
spider_threads = [SpiderThread('thread-%d' % i, Spider())
|
||
for i in range(10)]
|
||
for spider_thread in spider_threads:
|
||
spider_thread.start()
|
||
|
||
while redis_client.exists('m_sohu_task') or is_any_alive(spider_threads):
|
||
sleep(5)
|
||
|
||
print('Over!')
|
||
|
||
|
||
if __name__ == '__main__':
|
||
main()
|
||
```
|
||
|