点击上方“编程派”，选择设为“设为星标”
优质文章，第一时间送达！
一、前言
很多时候我们写了一个爬虫，实现了需求后会发现了很多值得改进的地方，其中很重要的一点就是爬取速度。本文就通过代码讲解如何使用多进程、多线程、协程来提升爬取速度。注意：我们不深入介绍理论和原理，一切都在代码中。
二、同步
首先我们写一个简化的爬虫，对各个功能细分，有意识进行函数式编程。下面代码的目的是访问300次百度页面并返回状态码，其中parse_1函数可以设定循环次数，每次循环将当前循环数（从0开始）和url传入parse_2函数。
importrequestsdefparse_1():url = ''fori inrange(300):parse_2(url)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
性能的消耗主要在IO请求中，当单进程单线程模式下请求URL时必然会引起等待
示例代码就是典型的串行逻辑，parse_1将url和循环数传递给parse_2，parse_2请求并返回状态码后parse_1继续迭代一次，重复之前步骤
三、多线程
因为CPU在执行程序时每个时间刻度上只会存在一个线程，因此多线程实际上提高了进程的使用率从而提高了CPU的使用率
实现多线程的库有很多，这里用concurrent.futures中的ThreadPoolExecutor来演示。介绍ThreadPoolExecutor库是因为它相比其他库代码更简洁
为了方便说明问题，下面代码中如果是新增加的部分，代码行前会加上 > 符号便于观察说明问题，实际运行需要去掉
importrequests> fromconcurrent.futures importThreadPoolExecutordefparse_1():url = ''# 建立线程池> pool = ThreadPoolExecutor(6)fori inrange(300):> pool.submit(parse_2, url)> pool.shutdown(wait=True)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
跟同步相对的就是异步。异步就是彼此独立,在等待某事件的过程中继续做自己的事，不需要等待这一事件完成后再工作。线程就是实现异步的一个方式，也就是说多线程是异步处理异步就意味着不知道处理结果，有时候我们需要了解处理结果，就可以采用回调
importrequestsfromconcurrent.futures importThreadPoolExecutor# 增加回调函数> defcallback(future):> print(future.result())defparse_1():url = ''pool = ThreadPoolExecutor(6)fori inrange(300):> results = pool.submit(parse_2, url)# 回调的关键步骤> results.add_done_callback(callback)pool.shutdown(wait=True)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
Python实现多线程有一个无数人诟病的GIL(全局解释器锁)，但多线程对于爬取网页这种多数属于IO密集型的任务依旧很合适。
四、多进程
多进程用两个方法实现：ProcessPoolExecutor和multiprocessing
1. ProcessPoolExecutor
和实现多线程的ThreadPoolExecutor类似
importrequests> fromconcurrent.futures importProcessPoolExecutordefparse_1():url = ''# 建立线程池> pool = ProcessPoolExecutor(6)fori inrange(300):> pool.submit(parse_2, url)> pool.shutdown(wait=True)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
可以看到改动了两次类名，代码依旧很简洁，同理也可以添加回调函数
importrequestsfromconcurrent.futures importProcessPoolExecutor> defcallback(future):> print(future.result())defparse_1():url = ''pool = ProcessPoolExecutor(6)fori inrange(300):> results = pool.submit(parse_2, url)> results.add_done_callback(callback)pool.shutdown(wait=True)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
2. multiprocessing
直接看代码，一切都在注释中。
importrequests> frommultiprocessing importPooldefparse_1():url = ''# 建池> pool = Pool(processes=5)# 存放结果> res_lst = []fori inrange(300):# 把任务加入池中> res = pool.apply_async(func=parse_2, args=(url,))# 获取完成的结果(需要取出)> res_lst.append(res)# 存放最终结果(也可以直接存储或者print)> good_res_lst = []> forres inres_lst:# 利用get获取处理后的结果> good_res = res.get()# 判断结果的好坏> ifgood_res:> good_res_lst.append(good_res)# 关闭和等待完成> pool.close()> pool.join()defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
可以看到multiprocessing库的代码稍繁琐，但支持更多的拓展。多进程和多线程确实能够达到加速的目的，但如果遇到IO阻塞会出现线程或者进程的浪费，因此有一个更好的方法……
五、异步非阻塞
协程+回调配合动态协作就可以达到异步非阻塞的目的，本质只用了一个线程，所以很大程度利用了资源
实现异步非阻塞经典是利用asyncio库+yield，为了方便利用逐渐出现了更上层的封装aiohttp，要想更好的理解异步非阻塞最好还是深入了解asyncio库。而gevent是一个非常方便实现协程的库
importrequests> fromgevent importmonkey# 猴子补丁是协作运行的灵魂> monkey.patch_all()> importgeventdefparse_1():url = ''# 建立任务列表> tasks_list = []fori inrange(300):> task = gevent.spawn(parse_2, url)> tasks_list.append(task)> gevent.joinall(tasks_list)defparse_2(url):response = requests.get(url)print(response.status_code)if__name__ == '__main__':parse_1()
gevent能很大提速，也引入了新的问题：如果我们不想速度太快给服务器造成太大负担怎么办？如果是多进程多线程的建池方法，可以控制池内数量。如果用gevent想要控制速度也有一个不错的方法：建立队列。gevent中也提供了Quene类，下面代码改动较大
importrequestsfromgevent importmonkeymonkey.patch_all()importgevent> fromgevent.queue importQueuedefparse_1():url = ''tasks_list = []# 实例化队列> quene = Queue()fori inrange(300):# 全部url压入队列> quene.put_nowait(url)# 两路队列> for_ inrange(2):> task = gevent.spawn(parse_2)> tasks_list.append(task)gevent.joinall(tasks_list)# 不需要传入参数，都在队列中> defparse_2():# 循环判断队列是否为空> whilenotquene.empty():# 弹出队列> url = quene.get_nowait()response = requests.get(url)# 判断队列状态> print(quene.qsize(), response.status_code)if__name__ == '__main__':parse_1()
结束语
以上就是几种常用的加速方法。如果对代码测试感兴趣可以利用time模块判断运行时间。爬虫的加速是重要技能，但适当控制速度也是爬虫工作者的良好习惯，不要给服务器太大压力，拜拜～
早起Python原创作者：陈熹
简介：一只有着码农梦想的眼科狗。更多内容欢迎关注简书：半为花间酒，会不定期更新一些python、R语言、SQL相关及生物信息学、网络爬虫、数据分析、可视化相关的文章。
回复下方「关键词」，获取优质资源回复关键词「pybook03」，立即获取主页君与小伙伴一起翻译的《Think Python 2e》电子版回复关键词「入门资料」，立即获取主页君整理的10 本 Python 入门书的电子版回复关键词「m」，立即获取Python精选优质文章合集回复关键词「book 数字」，将数字替换成 0 及以上数字，有惊喜好礼哦~题图：pexels，CC0 授权。好文章，我在看❤️
