python数据采集与多线程效率分析

以前一直使用PHP写爬虫，用Snoopy配合simple_html_dom用起来也挺好的，至少能够解决问题。

PHP一直没有一个好用的多线程机制，虽然可以使用一些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），但是无论从代码结构上，还是从使用的复杂程度上，用起来都不是那么顺手。还听说过一个pthreads的PHP的扩展，这是一个真正能够实现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的内容在本文中不再赘述，既然决定尝试一下Python的采集，同时一定要学习一下Python的多线程知识的。以前一直听各种大牛们将Python有多么多么好用，不真正用一次试试，自己也没法明确Python具体的优势在哪，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，以前只知道urllib2）
- BeautifulSoup（现在貌似有新版本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

 #!/usr/bin/env python

 # coding=utf-8

 class config:

     keyword = '青岛'

     search_type = 'shop'

     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连接，获取页面信息。看截图可知，这种方式的效率其实是极低的，一个连接进行网络I/O的时候，其他的必须等待前面的连接完成才能进行连接，换句话说，就是前面的连接阻塞的后面的连接。

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：

通过截图可以看到，采集同样数量的页面，通过开启多线程，时间缩短了很多，但是CPU利用率高了。

页面信息解析

html页面信息拿到以后，我们需要对其进行解析操作，从中提取出我们所需要的信息，包含：

店铺名称
店铺URL
店铺等级

使用BeautifulSoup这个库，可以直接按照class或者id等html的attr来进行提取，比直接写正则直观不少，难度也小了很多，当然，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，通过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对象可以实现多个生产者和多个消费者形成的FIFO的队列。
- 当共享信息需要安全的在多线程之间交换时，Queue非常有用。
- Queue的默认长度是无限的，但是可以设置其构造函数的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，并没有使用该队列

        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，可以看到，我们的scrapy过程很快就完成了，我们的parse也很早就开始了，可是在运行的时候，却卡在parse上好长时间才出的运行结果，每一个解析结果出现，都需要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以后不应该会这么慢的啊。

同样的数据，我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里面可以单独使用，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：

结果可以看到，单线程版本中，耗时其实和多线程是差不多的，上文中的多线程版本，虽然包含了获取页面的时间，但是地一个例子里我们已经分析了，使用多线程以后，三个页面的抓取，完全可以在1s内完成的，也就是说，使用多线程进行数据解析，并没有获得实质上的效率提高。

分析原因

看两个运行的CPU占用，第一个127%,第二个98%,都是非常高的，这说明，在处理字符串解析匹配提取等运算密集型的工作时，并行的概念并没有很好得得到发挥
由于共享数据不存在安全问题，所以上面的例子都是非线程安全的，并没有为共享数据加锁，只是实现了最简单的FIFO，所以也不会是因为锁的开销导致效率没有得到真正提高
网上搜索资料，发现python多线程似乎并不能利用多核，问题似乎就是出在这里了，在python上开启多个线程，由于GIL的存在，每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由于有全锁局的存在（同一时间只能有一个线程执行），并不能利用多核优势。所以，如果你的多线程进程是CPU密集型的，那多线程并不能带来效率上的提升，相反还可能会因为线程的频繁切换，导致效率下降；如果是IO密集型，多线程进程可以利用IO阻塞等待时的空闲时间执行其他线程，提升效率。
问题答案：由于数据解析操作是CPU密集型的操作，而网络请求是I/O密集型操作，所以出现了上述结果。

解决方法

GIL既然是针对一个python解释器进程而言的，那么，如果解释器可以多进程解释执行，那就不存在GIL的问题了。同样，他也不会导致你多个解释器跑在同一个核上。所以，最好的解决方案，是多线程+多进程结合。通过多线程来跑I/O密集型程序，通过控制合适数量的进程来跑CPU密集型的操作，这样就可以跑慢CPU了:)