python数据采集与多线程效率分析

之前一直使用PHP写爬虫，用Snoopy配合simple_html_dom用起来也挺好的，至少可以解决问题。

PHP一直没有一个好用的多线程机制，虽然可使用一些trick的手段来实现并行的效果（例如借助apache或者nginx服务器等，或者fork一个子进程，或者直接动态生成多个PHP脚本多进程运行），可是不管从代码结构上，仍是从使用的复杂程度上，用起来都不是那么顺手。还据说过一个pthreads的PHP的扩展，这是一个真正可以实现PHP多线程的扩展，看github上它的介绍：Absolutely, this is not a hack, we don't use forking or any other such nonsense, what you create are honest to goodness posix threads that are completely compatible with PHP and safe ... this is true multi-threading :)

扯远了，PHP的内容在本文中再也不赘述，既然决定尝试一下Python的采集，同时必定要学习一下Python的多线程知识的。之前一直听各类大牛们将Python有多么多么好用，不真正用一次试试，本身也无法明确Python具体的优点在哪，处理哪些问题用Python合适。

废话就说这么多吧，进入正题

• 采集目标：淘宝
• 采集数据：某一关键词领域的淘宝店铺名称、URL地址、店铺等级
• 用到的第三方packages：
  • requests（话说是看了前两天的一篇文章 Python modules you should know (传送门) 才知道的，之前只知道urllib2）
  • BeautifulSoup（如今貌似有新版本bs4了，不过我用的是旧版本的）
  • Redis

采集

单线程版本

代码：

search_config.py

1 #!/usr/bin/env python
2 # coding=utf-8
3 class config:
4     keyword = '青岛'
5     search_type = 'shop'
6     url = 'http://s.taobao.com/search?q=' + keyword + '&commend=all&search_type='+ search_type +'&sourceId=tb.index&initiative_id=tbindexz_20131207&app=shopsearch&s='

 

single_scrapy.py

#!/usr/bin/env python
# coding=utf-8
import requests
from search_config import config

class Scrapy():

    def __init__(self, threadname, start_num):
        self.threadname = threadname
        self.start_num = start_num
        print threadname + 'start.....'


    def run(self):
        url = config.url + self.start_num
        response = requests.get(url)
        print self.threadname + 'end......'

def main():
    for i in range(0,13,6):
        scrapy = Scrapy('scrapy', str(i))
        scrapy.run()


if __name__ == '__main__':
    main()

 

运行分析：

这是最简单最常规的一种采集方式，按照顺序循环进行网络链接，获取页面信息。看截图可知，这种方式的效率实际上是极低的，一个链接进行网络I/O的时候，其余的必须等待前面的链接完成才能进行链接，换句话说，就是前面的链接阻塞的后面的链接。

多线程版本

代码：

#!/usr/bin/env python
# coding=utf-8
import requests
from search_config import config
import threading

class Scrapy(threading.Thread):

    def __init__(self, threadname, start_num):
        threading.Thread.__init__(self, name = threadname)
        self.threadname = threadname
        self.start_num = start_num
        print threadname + 'start.....'

    #重写Thread类的run方法
    def run(self):
        url = config.url + self.start_num
        response = requests.get(url)
        print self.threadname + 'end......'

def main():
    for i in range(0,13,6):
        scrapy = Scrapy('scrapy', str(i))
        scrapy.start()


if __name__ == '__main__':
    main()

 

运行分析：

经过截图能够看到，采集一样数量的页面，经过开启多线程，时间缩短了不少，可是CPU利用率高了。

页面信息解析

html页面信息拿到之后，咱们须要对其进行解析操做，从中提取出咱们所须要的信息，包含：

• 店铺名称
• 店铺URL
• 店铺等级

使用BeautifulSoup这个库，能够直接按照class或者id等html的attr来进行提取，比直接写正则直观很多，难度也小了不少，固然，执行效率上，相应的也就大打折扣了。

代码：

• 这里使用Queue实现一个生产者和消费者模式

  • 生产者消费者模式：
    • 生产者将数据依次存入队列，消费者依次从队列中取出数据。
    • 本例中，经过scrapy线程不断提供数据，parse线程从队列中取出数据进行相应解析

• Queue模块

  • Python中的Queue对象也提供了对线程同步的支持，使用Queue对象能够实现多个生产者和多个消费者造成的FIFO的队列。
  • 当共享信息须要安全的在多线程之间交换时，Queue很是有用。
  • Queue的默认长度是无限的，可是能够设置其构造函数的maxsize参数来设定其长度。

#!/usr/bin/env python
# coding=utf-8
import requests
from BeautifulSoup import BeautifulSoup
from search_config import config

from Queue import Queue
import threading

class Scrapy(threading.Thread):

    def __init__(self, threadname, queue, out_queue):
        threading.Thread.__init__(self, name = threadname)
        self.sharedata = queue
        self.out_queue= out_queue
        self.threadname = threadname
        print threadname + 'start.....'


    def run(self):
        url = config.url + self.sharedata.get()
        response = requests.get(url)
        self.out_queue.put(response)
        print self.threadname + 'end......'

class Parse(threading.Thread):
    def __init__(self, threadname, queue, out_queue):
        threading.Thread.__init__(self, name = threadname)
        self.sharedata = queue
        self.out_queue= out_queue
        self.threadname = threadname
        print threadname + 'start.....'

    def run(self):
        response = self.sharedata.get()
        body = response.content.decode('gbk').encode('utf-8')
        soup = BeautifulSoup(body)
        ul_html = soup.find('ul',{'id':'list-container'})
        lists = ul_html.findAll('li',{'class':'list-item'})
        stores = []
        for list in lists:
            store= {}
            try:
                infos = list.findAll('a',{'trace':'shop'})
                for info in infos:
                    attrs = dict(info.attrs)
                    if attrs.has_key('class'):
                        if 'rank' in attrs['class']:
                            rank_string = attrs['class']
                            rank_num = rank_string[-2:]
                            if (rank_num[0] == '-'):
                                store['rank'] = rank_num[-1]
                            else:
                                store['rank'] = rank_num
                    if attrs.has_key('title'):
                        store['title'] = attrs['title']
                        store['href'] = attrs['href']
            except AttributeError:
                pass
            if store:
                stores.append(store)

        for store in stores:
            print store['title'] + ' ' + store['rank']
        print self.threadname + 'end......'

def main():
    queue = Queue()
    targets = Queue()
    stores = Queue()
    scrapy = []
    for i in range(0,13,6):
    #queue 原始请求
    #targets 等待解析的内容
    #stores解析完成的内容，这里为了简单直观，直接在线程中输出了内容，并无使用该队列
        queue.put(str(i))
        scrapy = Scrapy('scrapy', queue, targets)
        scrapy.start()
        parse = Parse('parse', targets, stores)
        parse.start()

if __name__ == '__main__':
    main()

 

运行结果

 看这个运行结果，能够看到，咱们的scrapy过程很快就完成了，咱们的parse也很早就开始了，但是在运行的时候，却卡在parse上好长时间才出的运行结果，每个解析结果出现，都须要3～5秒的时间，虽然我用的是台老IBM破本，但按理说使用了多线程之后不该该会这么慢的啊。

一样的数据，咱们再看一下单线程下，运行结果。这里为了方便，我在上一个multi_scrapy里加入了redis，使用redis存储爬行下来的原始页面，这样在single_parse.py里面能够单独使用，更方便一些。

单线程版本：

代码：

#!/usr/bin/env python
# coding=utf-8
from BeautifulSoup import BeautifulSoup
import redis


class Parse():
    def __init__(self, threadname, content):
        self.threadname = threadname
        self.content = content
        print threadname + 'start.....'

    def run(self):
        response = self.content
        if response:
            body = response.decode('gbk').encode('utf-8')
            soup = BeautifulSoup(body)
            ul_html = soup.find('ul',{'id':'list-container'})
            lists = ul_html.findAll('li',{'class':'list-item'})
            stores = []
            for list in lists:
                store= {}
                try:
                    infos = list.findAll('a',{'trace':'shop'})
                    for info in infos:
                        attrs = dict(info.attrs)
                        if attrs.has_key('class'):
                            if 'rank' in attrs['class']:
                                rank_string = attrs['class']
                                rank_num = rank_string[-2:]
                                if (rank_num[0] == '-'):
                                    store['rank'] = rank_num[-1]
                                else:
                                    store['rank'] = rank_num
                        if attrs.has_key('title'):
                            store['title'] = attrs['title']
                            store['href'] = attrs['href']
                except AttributeError:
                    pass
                if store:
                    stores.append(store)

            for store in stores:
                try:
                    print store['title'] + ' ' + store['rank']
                except KeyError:
                    pass
            print self.threadname + 'end......'
        else:
            pass

def main():
    r = redis.StrictRedis(host='localhost', port=6379)
    while True:
        content = r.lpop('targets')
        if (content):
            parse = Parse('parse', content)
            parse.run()
        else:
            break

if __name__ == '__main__':
    main()

 

运行结果：

结果能够看到，单线程版本中，耗时其实和多线程是差很少的，上文中的多线程版本，虽然包含了获取页面的时间，可是地一个例子里咱们已经分析了，使用多线程之后，三个页面的抓取，彻底能够在1s内完成的，也就是说，使用多线程进行数据解析，并无得到实质上的效率提升。

分析缘由

1. 看两个运行的CPU占用，第一个127%,第二个98%,都是很是高的，这说明，在处理字符串解析匹配提取等运算密集型的工做时，并行的概念并无很好得获得发挥
2. 因为共享数据不存在安全问题，因此上面的例子都是非线程安全的，并无为共享数据加锁，只是实现了最简单的FIFO，因此也不会是由于锁的开销致使效率没有获得真正提升
3. 网上搜索资料，发现python多线程彷佛并不能利用多核，问题彷佛就是出在这里了，在python上开启多个线程，因为GIL的存在，每一个单独线程都会在竞争到GIL后才运行，这样就干预OS内部的进程(线程)调度，结果在多核CPU上，python的多线程实际是串行执行的，并不会同一时间多个线程分布在多个CPU上运行。Python因为有全锁局的存在（同一时间只能有一个线程执行），并不能利用多核优点。因此，若是你的多线程进程是CPU密集型的，那多线程并不能带来效率上的提高，相反还可能会由于线程的频繁切换，致使效率降低；若是是IO密集型，多线程进程能够利用IO阻塞等待时的空闲时间执行其余线程，提高效率。
4. 问题答案：因为数据解析操做是CPU密集型的操做，而网络请求是I/O密集型操做，因此出现了上述结果。

解决方法

GIL既然是针对一个python解释器进程而言的，那么，若是解释器能够多进程解释执行，那就不存在GIL的问题了。一样，他也不会致使你多个解释器跑在同一个核上。 因此，最好的解决方案，是多线程+多进程结合。经过多线程来跑I/O密集型程序，经过控制合适数量的进程来跑CPU密集型的操做，这样就能够跑慢CPU了:)