Python爬虫—多线程的简单示例

  python是支持多线程的，主要是通过thread和threading这两个模块来实现的。thread模块是比较底层的模块，threading模块是对thread做了一些包装的，可以更加方便的使用。

    虽然python的多线程受GIL限制，并不是真正的多线程，但是对于I/O密集型计算还是能明显提高效率，比如说爬虫。详细请见 https://www.zhihu.com/question/23474039 

 

 

    下面用一个实例来验证多线程的效率。代码只涉及页面获取，并没有解析出来。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

# -*-coding:utf-8 -*- import urllib2, time import threading     class MyThread(threading.Thread):     def __init__(self, func, args):         threading.Thread.__init__(self)         self.args = args         self.func = func       def run(self):         apply(self.func, self.args)     def open_url(url):     request = urllib2.Request(url)     html = urllib2.urlopen(request).read()     print len(html)     return html   if __name__ == '__main__':     # 构造url列表     urlList = []     for p in range(1, 10):         urlList.append('http://s.wanfangdata.com.cn/Paper.aspx?q=%E5%8C%BB%E5%AD%A6&p=' + str(p))           # 一般方式     n_start = time.time()     for each in urlList:         open_url(each)     n_end = time.time()     print 'the normal way take %s s' % (n_end-n_start)           # 多线程     t_start = time.time()     threadList = [MyThread(open_url, (url,)) for url in urlList]     for t in threadList:         t.setDaemon(True)         t.start()     for i in threadList:         i.join()     t_end = time.time()     print 'the thread way take %s s' % (t_end-t_start)

    分别用两种方式获取10个访问速度比较慢的网页，一般方式耗时50s，多线程耗时10s。

    多线程代码解读:

    

?

1 2 3 4 5 6 7 8 9

# 创建线程类，继承Thread类 class MyThread(threading.Thread):     def __init__(self, func, args):         threading.Thread.__init__(self)  # 调用父类的构造函数         self.args = args         self.func = func       def run(self):  # 线程活动方法         apply(self.func, self.args)

    

?

1 2 3 4 5 6

threadList = [MyThread(open_url, (url,)) for url in urlList]  # 调用线程类创建新线程，返回线程列表     for t in threadList:         t.setDaemon(True)  # 设置守护线程，父线程会等待子线程执行完后再退出         t.start()  # 线程开启     for i in threadList:         i.join()  # 等待线程终止，等子线程执行完后再执行父线程