Python爬虫:线程,进程与协程

以往的爬虫我们都采用单线程和同步的方式,这导致我们的爬虫及其脆弱,因为一点报错都会让它停下来,而且面对比较大的数据,爬虫只能选择等待,这种阻塞会消耗很多时间,为什么我们不把等待的这些时间去干别的事呢?

线程与进程

线程和进程是相似的

一,概念梳理

线程: 程序内,可以直接被CPU调用的执行过程,是操作系统能够进行运算的最小单位,它被包含在进程中实际运作的单位。
进程:运行中的程序,每次我们执行应该程序,操作系统会自动地为这个程序准备一些必要的资源(分配内存,创造一个能执行的线程)

形象来说,线程就像是员工,进程就是公司,线程组成进程。如果我们想要提升效率,我们可以多招些员工(多线程)或者开一些分公司,连锁(多进程)

二,代码实现

多线程

python 复制代码
from threading import Thread
# def func(name):
#     for i in range(10):
#         print(name,i)

 #创建任务
def func_1(name):
    for i in range(100):
        print(name,i)


if __name__ == '__main__':
    # func("A")
    # func("B")
    # func("C")
    # #创建线程
    t1 = Thread(target=func_1,args=("A",))
    t2 = Thread(target=func_1,args=("B",))
    t3 = Thread(target=func_1,args=("C",))
    t1.start()
    t2.start()
    t3.start()

实例化线程对象:Thread(taeget=目标函数,不要括号,args=()填参数,元组形式)

开启线程:线程对象的start方法

面向对象写法

python 复制代码
from threading import Thread
class MyThread(Thread):
    def __init__(self,name):
        super(MyThread, self).__init__()
        self.name = name
    def run(self):
        for i in range(100):
            print(self.name,i)

if __name__ == '__main__':
    t1 = MyThread("A")
    t2 = MyThread("B")
    t3 = MyThread("C")
    t1.start()
    t2.start()
    t3.start()

需要注意的是,函数执行的任务必须重写到run方法中,其他的一样。

很快,一个一个实例化线程对象的方法无法满足我们了,如果我们要申请20个线程呢?这太繁琐了

线程池的产生就是顺其自然的了

线程池

python 复制代码
from concurrent.futures import ThreadPoolExecutor

def func(name):
    for i in range(50):
        print(name,i)

if __name__ == '__main__':
    with ThreadPoolExecutor(10) as t:
        t.submit(func,"A")
        t.submit(func,"B")
        t.submit(func,"C")

这大大地减轻了我们的工作量,我们只需要把任务丢进线程池里,它就会自动分配线程为我们处理,当然,最大线程数我们可以设置,上例使用了10个。

好了,上面的所有情况我们都忽视掉了函数有返回值的情况是,那么,这种情况该怎么处理呢?

python 复制代码
from concurrent.futures import ThreadPoolExecutor

def func(name):
    print(name)
    return name

def fun(res):
    print(res.result())

if __name__ == '__main__':
    with ThreadPoolExecutor(3) as t:
        t.submit(func,"A").add_done_callback(fun)
        t.submit(func,"B").add_done_callback(fun)
        t.submit(func,"C").add_done_callback(fun)

或者

python 复制代码
from concurrent.futures import ThreadPoolExecutor

def func(name):
    print(name)
    return name

def fun(res):
    print(res.result())

if __name__ == '__main__':
    with ThreadPoolExecutor(3) as t:
         results = t.map(func,["A","B","C"])
         for result in results:
            print(result)

这样我们就可以获取函数返回值了。

多进程

python 复制代码
from multiprocessing import Process
from concurrent.futures import ProcessPoolExecutor
def func(name):
    for i in range(100):
        print(name,i)

if __name__ == '__main__':
    p1 = Process(target=func,args=("A",))
    p2 = Process(target=func,args=("B",))
    p3 = Process(target=func,args=("C",))
    p1.start()
    p2.start()
    p3.start()

怎么样,对比一下多线程,你会发现代码上除了调的类不一样以外,就没区别了,多进程的进程池和线程池几乎一模一样,这里就不赘述了,可以自己尝试一下,进程池上面代码有名字~

线程和进程是相似的

那么,多进程和多线程的应用场景有什么不同呢?

多线程:任务相对统一,互相特别相似

多进程:多个任务相互独立,很少有交集

多任务异步协程

协程:协程是一种比函数更加强大的控制流结构,它可以挂起(暂停)自身的执行并在稍后从上次挂起的地方恢复执行。协程允许在单个线程内进行非阻塞的协作式多任务处理,这意味着程序可以在等待某个耗时操作(如I/O操作、网络请求)完成的同时,去做其他事情,从而提高整体效率。协程拥有自己的执行上下文(包括局部变量和指令指针),可以在多个协程之间方便地切换。

简单理解,多线程可以理解为我们不停的切换cpu运算对象,任务不动,CPU动。而协程是单线程中,通过移动任务来实现的,比如任务1进入这条线程中,进行计算.....直到产生IO阻塞,任务1就出线程,任务2进入线程,以此类推,当任务1IO阻塞结束,再让它回到线程(如果还有必要的话)。这个过程实质上是CPU不动,任务移动。这其实效率更高,因为CPU调用切换是需要消耗内存的,它是属于系统层面的问题,而协程只需要切换任务,这是代码层面的问题,实际上是不需要多少时间和空间的。

异步协程代码实现

python 复制代码
import asyncio

async def func():
    print("我是函数")

if __name__ == '__main__':
    #协程对象想要执行,必须借助于 event_loop
    f = func()
    event_loop = asyncio.get_event_loop()
    event_loop.run_until_complete(f)#eventloop运行协程对象,直到该对象内的内容执行完毕为止

这是协程的基本结构,async表示异步,因为我们需要IO阻塞,想象一下如果我们申请网页响应中不执行IO阻塞,那在申请的同时代码就已经跑到下面去了,如果我们下面需要这个网页的源码呢?这就必然报错了,所以这就是为什么我们的函数使用了异步操作,本质还是在IO阻塞上。

python 复制代码
import asyncio

async def func1():
    print("我是func1")
    await asyncio.sleep(1)
    print("func1结束")

async def func2():
    print("我是func2")
    await asyncio.sleep(2)
    print("func2结束")

async def func3():
    print("我是func3")
    await asyncio.sleep(3)
    print("func3结束")

if __name__ == '__main__':
    f1 = func1()
    f2 = func2()
    f3 = func3()

    tasks = [
        f1,f2,f3
    ]
    asyncio.run(asyncio.wait(tasks))

上例我们创建了三个任务,并将这三个任务添加到了协程中,wait()为何意?这是为了让我们三个任务必须执行完才关闭eventloop,要不然还有任务在io阻塞,协程直接关了怎么办。

异步协程的函数返回值

python 复制代码
import asyncio
async def func1():
    print("我是func1")
    await asyncio.sleep(1)
    print("func1结束")
    return "func1的返回值"

async def func2():
    print("我是func2")
    await asyncio.sleep(2)
    print("func2结束")
    return "func2的返回值"

async def func3():
    print("我是func3")
    await asyncio.sleep(3)
    print("func3结束")
    return "func3的返回值"

async def main():
    f1 = func1()
    f2 = func2()
    f3 = func3()
    tasks = [
        asyncio.create_task(f1),
        asyncio.create_task(f2),
        asyncio.create_task(f3)
    ]
    # done,padding = await asyncio.wait(tasks)
    # for res in done:
    #     print(res.result())
    # gather和wait区别:gather返回值是有顺序的(按照你添加任务的顺序)
    result = await asyncio.gather(*tasks,return_exceptions=False)#return exception=true表示如果任务中有错误信息,则返回错误信息,其他任务正常执行。
    print(result)
if __name__ == '__main__':
    asyncio.run(main())

解释请看代码注释~

创作不易,点个小赞鼓励一下呗~

相关推荐
q5673152325 分钟前
在 Bash 中获取 Python 模块变量列
开发语言·python·bash
是萝卜干呀26 分钟前
Backend - Python 爬取网页数据并保存在Excel文件中
python·excel·table·xlwt·爬取网页数据
代码欢乐豆27 分钟前
数据采集之selenium模拟登录
python·selenium·测试工具
许野平1 小时前
Rust: 利用 chrono 库实现日期和字符串互相转换
开发语言·后端·rust·字符串·转换·日期·chrono
也无晴也无风雨1 小时前
在JS中, 0 == [0] 吗
开发语言·javascript
狂奔solar1 小时前
yelp数据集上识别潜在的热门商家
开发语言·python
Tassel_YUE1 小时前
网络自动化04:python实现ACL匹配信息(主机与主机信息)
网络·python·自动化
聪明的墨菲特i1 小时前
Python爬虫学习
爬虫·python·学习
blammmp2 小时前
Java:数据结构-枚举
java·开发语言·数据结构
何曾参静谧2 小时前
「C/C++」C/C++ 指针篇 之 指针运算
c语言·开发语言·c++