爬虫篇-python爬虫中多线程的使用

queue介绍

• queue是python的标准库，俗称队列.可以直接import引用,在python2.x中,模块名为Queue。python3直接queue即可

• 在python中，多个线程之间的数据是共享的，多个线程进行数据交换的时候，不能够保证数据的安全性和一致性，所以当多个线程需要进行数据交换的时候，队列就出现了，队列可以完美解决线程间的数据交换，保证线程间数据的安全性和一致性。

#多线程实战栗子（糗百）
#用一个队列Queue对象，
#先产生所有url，put进队列；
#开启多线程，把queue队列作为参数传入
#主函数中读取url

import requests
from queue import Queue
import re,os,threading,time
# 构造所有ip地址并添加进queue队列
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
}
urlQueue = Queue()
[urlQueue.put('http://www.qiumeimei.com/image/page/{}'.format(i)) for i in range(1,14)]
def get_image(urlQueue):

    while True:
        try:
            # 不阻塞的读取队列数据
            url = urlQueue.get_nowait()
            # i = urlQueue.qsize()
        except Exception as e:
            break
        print('Current Thread Name %s, Url: %s ' % (threading.currentThread().name, url))
        try:
            res = requests.get(url, headers=headers)
            url_infos = re.findall('data-lazy-src="(.*?)"', res.text, re.S)
            for url_info in url_infos:
                if os.path.exists(img_path + url_info[-20:]):
                    print('图片已存在')
                else:
                    image = requests.get(url_info, headers=headers)
                    with open(img_path + url_info[-20:], 'wb') as fp:
                        time.sleep(1)
                        fp.write(image.content)
                    print('正在下载:' + url_info)
        except Exception as e:
            print(e)

if __name__ == '__main__':
    startTime = time.time()
    # 定义图片存储路径
    img_path = './img/'
    if not os.path.exists(img_path):
        os.mkdir(img_path)
    threads = []
    # 可以调节线程数， 进而控制抓取速度
    threadNum = 4
    for i in range(0, threadNum):
        t = threading.Thread(target=get_image, args=(urlQueue,))
        threads.append(t)
    for t in threads:
        t.start()
    for t in threads:
        # 多线程多join的情况下，依次执行各线程的join方法, 这样可以确保主线程最后退出， 且各个线程间没有阻塞
        t.join()
    endTime = time.time()
    print('Done, Time cost: %s ' % (endTime - startTime))