【Python 第74课】多线程

crossin先生

很多人使用 python 编写“爬虫”程序，抓取网上的数据。

举个例子，通过豆瓣的 API 抓取 30 部影片的信息：

1. import urllib, time
   
2. 
   
3. 
   
4. 
   
5. time_start = time.time()
   
6. 
   
7. data = []
   
8. 
   
9. for i in range(30):
   
10. 
    
11.     print 'request movie:', i
    
12. 
    
13.     id = 1764796 + i
    
14. 
    
15.     url = 'https://api.douban.com/v2/movie/subject/%d' % id
    
16. 
    
17.     d = urllib.urlopen(url).read()
    
18. 
    
19.     data.append(d)
    
20. 
    
21.     print i, time.time() - time_start
    
22. 
    
23. 
    
24. 
    
25. print 'data:', len(data)

复制代码

参考输出结果：

1. > python test.py
   
2. 
   
3. request movie: 0
   
4. 
   
5. 0 0.741228103638
   
6. 
   
7. request movie: 1
   
8. 
   
9. 1 1.96586918831
   
10. 
    
11. ...
    
12. 
    
13. request movie: 28
    
14. 
    
15. 28 12.0225770473
    
16. 
    
17. request movie: 29
    
18. 
    
19. 29 12.4063940048
    
20. 
    
21. data: 30

复制代码

程序里用了 time.time() 来计算抓取花费的时间。运行一遍，大约需要十几秒（根据网络情况会有差异）。

如果我们想用这套代码抓取几万部电影，就算中间不出什么状况，估计也得花上好几个小时。

然而想一下，我们抓一部电影信息的过程是独立，并不依赖于其他电影的结果。因此没必要排好队一部一部地按顺序来。那么有没有什么办法可以同时抓取好几部电影？

答案就是：多线程。

来说一种简单的多线程方法：

python 里有一个 thread 模块，其中提供了一个函数：

start_new_thread(function, args[, kwargs])

function 是开发者定义的线程函数，

args 是传递给线程函数的参数，必须是tuple类型，

kwargs 是可选参数。

调用 start_new_thread 之后，会创建一个新的线程，来执行 function 函数。而代码原本的主线程将继续往下执行，不再等待 function 的返回。通常情况，线程在 function 执行完毕后结束。

改写一下前面的代码，将抓取的部分放在一个函数中：

1. import urllib, time, thread
   
2. 
   
3. 
   
4. 
   
5. def get_content(i):
   
6. 
   
7.     id = 1764796 + i
   
8. 
   
9.     url = 'https://api.douban.com/v2/movie/subject/%d' % id
   
10. 
    
11.     d = urllib.urlopen(url).read()
    
12. 
    
13.     data.append(d)
    
14. 
    
15.     print i, time.time() - time_start
    
16. 
    
17.     print 'data:', len(data)
    
18. 
    
19. 
    
20. 
    
21. time_start = time.time()
    
22. 
    
23. data = []
    
24. 
    
25. for i in range(30):
    
26. 
    
27.     print 'request movie:', i
    
28. 
    
29.     thread.start_new_thread(get_content, (i,))
    
30. 
    
31. 
    
32. 
    
33. raw_input('press ENTER to exit...\n')

复制代码

参考输出结果：

1. > python test.py
   
2. 
   
3. request movie: 0
   
4. 
   
5. request movie: 1
   
6. 
   
7. ...
   
8. 
   
9. request movie: 28
   
10. 
    
11. request movie: 29
    
12. 
    
13. press ENTER to exit...
    
14. 
    
15. 1 0.39500784874
    
16. 
    
17. data: 1
    
18. 
    
19. 9 0.428859949112
    
20. 
    
21. data: 2
    
22. 
    
23. ...
    
24. 
    
25. data: 28
    
26. 
    
27. 21 1.03756284714
    
28. 
    
29. data: 29
    
30. 
    
31. 8 2.66121602058
    
32. 
    
33. data: 30

复制代码

因为主线程不在等待函数返回结果，所以在代码最后，增加了 raw_input，避免程序提前退出。

从输出结果可以看出：

• 在程序刚开始运行时，已经发送所有请求
• 收到的请求并不是按发送顺序，先收到就先显示
• 总共用时两秒多
• data 里同样记录了所有30条结果
  
  

所以，对于这种耗时长，但又独立的任务，使用多线程可以大大提高运行效率。但在代码层面，可能额外需要做一些处理，保证结果正确。如上例中，如果需要电影信息按 id 排列，就要另行排序。

多线程通常会用在网络收发数据、文件读写、用户交互等待之类的操作上，以避免程序阻塞，提升用户体验或提高执行效率。

多线程的实现方法不止这一种。另外多线程也会带来一些单线程程序中不会出现的问题。这里只是简单地开个头。

东东哥

get