一、引言：为什么需要多线程与异常处理？
在气象数据爬取场景中，单线程爬虫往往面临效率低下（如大量I/O等待）和鲁棒性差（如网络波动导致任务中断）的问题。多线程技术可利用CPU空闲时间并发请求多个气象站点，而异常处理机制则能保障爬虫在复杂网络环境下稳定运行。我们结合Python标准库与第三方模块，分享在气象数据采集中的优化实践。
二、多线程优化：从单线程到并发请求
- 单线程爬虫的性能瓶颈
以爬取某气象网站历史数据为例，单线程爬虫需依次请求每个日期的页面：
import requests
from bs4 import BeautifulSoup
def fetch_weather_data(date):
url = f"https://example.com/weather?date={date}"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
解析数据（如温度、降水量）
temperature = soup.find('span', class_='temperature').text
return temperature
单线程调用
dates = ["2025-01-01", "2025-01-02", ...]
for date in dates:
data = fetch_weather_data(date)
print(data)
问题：每个请求需等待响应完成，CPU大部分时间处于空闲状态。
- 使用 threading 模块实现多线程
Python的 threading 模块可快速创建线程池：
import threading
import requests
from bs4 import BeautifulSoup
def fetch_weather_data(date):
try:
url = f"https://example.com/weather?date={date}"
response = requests.get(url)
response.raise_for_status() # 处理HTTP错误
soup = BeautifulSoup(response.text, 'html.parser')
temperature = soup.find('span', class_='temperature').text
print(f"{date}: {temperature}")
except Exception as e:
print(f"Error fetching {date}: {e}")
创建线程池
threads = []
dates = ["2025-01-01", "2025-01-02", ...]
for date in dates:
t = threading.Thread(target=fetch_weather_data, args=(date,))
threads.append(t)
t.start()
等待所有线程完成
for t in threads:
t.join()
优化点：
-
并发请求多个日期页面，减少总耗时。
-
使用 try-except 捕获异常，避免单线程失败导致任务中断。
- 进阶： concurrent.futures 线程池
concurrent.futures 模块提供更简洁的线程池管理：
import concurrent.futures
import requests
from bs4 import BeautifulSoup
def fetch_weather_data(date):
url = f"https://example.com/weather?date={date}"
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
return soup.find('span', class_='temperature').text
dates = ["2025-01-01", "2025-01-02", ...]
with concurrent.futures.ThreadPoolExecutor(max_workers=10) as executor:
results = executor.map(fetch_weather_data, dates)
for data in results:
print(data)
优势：
-
自动管理线程生命周期，避免手动创建和销毁线程的开销。
-
max_workers 参数控制并发数，防止因请求过多触发反爬机制。
三、异常处理：保障爬虫稳定性
- 常见异常场景
在气象数据爬取中，可能遇到以下问题：
-
网络异常：超时、连接中断、DNS解析失败。
-
HTTP错误：404（页面不存在）、429（请求频率超限）、500（服务器错误）。
-
解析异常：页面结构变更导致选择器失效。
- 优雅的异常捕获策略
import requests
from bs4 import BeautifulSoup
def fetch_weather_data(date):
try:
url = f"https://example.com/weather?date={date}"
response = requests.get(url, timeout=10) # 设置超时时间
response.raise_for_status() # 处理4xx/5xx错误
soup = BeautifulSoup(response.text, 'html.parser')
temperature = soup.find('span', class_='temperature').text
return temperature
except requests.Timeout:
print(f"{date}: Request timed out")
except requests.RequestException as e:
print(f"{date}: Network error - {e}")
except AttributeError:
print(f"{date}: Data parsing failed (page structure changed?)")
except Exception as e:
print(f"{date}: Unexpected error - {e}")
raise # 抛出其他异常以便调试
关键技巧：
-
使用 timeout 参数避免请求卡死。
-
分层捕获异常，针对不同问题采取不同处理（如重试、记录日志）。
- 重试机制与退避策略
import requests
import time
from bs4 import BeautifulSoup
def fetch_weather_data(date, retries=3, backoff=1):
for attempt in range(retries):
try:
url = f"https://example.com/weather?date={date}"
response = requests.get(url)
response.raise_for_status()
解析数据...
return temperature
except (requests.RequestException, AttributeError) as e:
if attempt < retries - 1:
wait_time = backoff * (2 ** attempt)
print(f"{date}: Retrying in {wait_time} seconds...")
time.sleep(wait_time)
else:
print(f"{date}: Failed after {retries} attempts - {e}")
调用
fetch_weather_data("2025-01-01")
原理：
-
指数退避（Exponential Backoff）策略：每次重试间隔翻倍，避免短时间内频繁请求。
-
限制重试次数，防止无限循环占用资源。
四、性能与稳定性的平衡
-
线程数控制：根据目标网站负载调整 max_workers ，建议不超过10-20个线程。
-
日志记录：使用 logging 模块记录异常详情，便于后期分析。
-
代理轮换：结合多线程使用IP代理池，降低被封禁风险。
五、通过多线程优化与异常处理，气象数据爬虫可显著提升效率并增强稳定性。但需注意：
-
多线程适用于I/O密集型任务（如网络请求），CPU密集型任务建议使用 multiprocessing 。
-
异常处理需兼顾包容性与精确性，避免过度捕获导致问题隐藏。
无论是爬取实时天气还是历史气候数据，掌握这些技巧都能让爬虫更健壮、高效。