上一篇，写了一个爬壁纸图片的小爬虫：Python爬虫入门—图片下载下载效果太慢了，于是乎想到了用多线程改造一下，看看速度能提高多少！
虽然说，由于GIL锁（Global Interpreter Lock）的存在，Python的多线程不是真正意义上的多线程，一个时间段内，一个CPU只能执行一个线程。但是在爬虫相关的程序上，经常出现IO密集型任务多CPU密集型任务少的情况，大多数时间都在等get、post请求、收发数据（对于本次的爬虫图片下载程序，更是如此）。于是可以用Python的多线程来实现加速，即一个线程在get、post或等数据传输时，不必停止整个程序，而是切换到其他的线程完成接下来的任务。这样，本质上单线程的Python也能实现多线程的效果~
- 关于多进程和多线程，墙裂推荐廖雪峰的：进程和线程
- https://www.liaoxuefeng.com/wiki/1016959663602400/1017627212385376
- 还有这篇文章：《从0到1，Python异步编程的演进之路》
- https://zhuanlan.zhihu.com/p/33816013
我们以关键词‘pig’为例，可以搜到77张相关图片，然后，让我们来做一下对比测试，比较下原始单线程代码和多线程代码下载速度的差异~
改造前，单线程的代码如下：
<code>#_*_ coding:utf-8 _*_#__author__='阳光流淌007'#__date__2018-01-21'#爬取wallhaven上的的图片，支持自定义搜索关键词，自动爬取并该关键词下所有图片并存入本地电脑。import osimport requestsimport timeimport randomfrom lxml import etreekeyWord = input(f"{'Please input the keywords that you want to download :'}")class Spider(): #初始化参数 def __init__(self): #headers是请求头，"User-Agent"、"Accept"等字段可通过谷歌Chrome浏览器查找！ self.headers = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36", } #filePath是自定义的，本次程序运行后创建的文件夹路径，存放各种需要下载的对象。 self.filePath = ('/users/zhaoluyang/小Python程序集合/桌面壁纸/'+ keyWord + '/') def creat_File(self): #新建本地的文件夹路径，用于存储网页、图片等数据！ filePath = self.filePath if not os.path.exists(filePath): os.makedirs(filePath) def get_pageNum(self): #用来获取搜索关键词得到的结果总页面数,用totalPagenum记录。由于数字是夹在形如：1,985 Wallpapers found for “dog”的string中， #所以需要用个小函数，提取字符串中的数字保存到列表numlist中，再逐个拼接成完整数字。。。 total = "" url = ("https://alpha.wallhaven.cc/search?q={}&categories=111&purity=100&sorting=relevance&order=desc").format(keyWord) html = requests.get(url) selector = etree.HTML(html.text) pageInfo = selector.xpath('//header[@class="listing-header"]/h1[1]/text()') string = str(pageInfo[0]) numlist = list(filter(str.isdigit,string)) for item in numlist: total += item totalPagenum = int(total) return totalPagenum def main_fuction(self): #count是总图片数，times是总页面数 self.creat_File() count = self.get_pageNum() print("We have found:{} images!".format(count)) times = int(count/24 + 1) j = 1 start = time.time() for i in range(times): pic_Urls = self.getLinks(i+1) start2 = time.time() for item in pic_Urls: self.download(item,j) j += 1 end2 = time.time() print('This page cost：',end2 - start2,'s') end = time.time() print('Total cost:',end - start,'s') def getLinks(self,number): #此函数可以获取给定numvber的页面中所有图片的链接，用List形式返回 url = ("https://alpha.wallhaven.cc/search?q={}&categories=111&purity=100&sorting=relevance&order=desc&page={}").format(keyWord,number) try: html = requests.get(url) selector = etree.HTML(html.text) pic_Linklist = selector.xpath('//a[@class="jsAnchor thumb-tags-toggle tagged"]/@href') except Exception as e: print(repr(e)) return pic_Linklist def download(self,url,count): #此函数用于图片下载。其中参数url是形如：https://alpha.wallhaven.cc/wallpaper/616442/thumbTags的网址 #616442是图片编号，我们需要用strip()得到此编号，然后构造html，html是图片的最终直接下载网址。 string = url.strip('/thumbTags').strip('https://alpha.wallhaven.cc/wallpaper/') html = 'http://wallpapers.wallhaven.cc/wallpapers/full/wallhaven-' + string + '.jpg' pic_path = (self.filePath + keyWord + str(count) + '.jpg' ) try: start = time.time() pic = requests.get(html,headers = self.headers) f = open(pic_path,'wb') f.write(pic.content) f.close() end = time.time() print(f"Image:{count} has been downloaded,cost:",end - start,'s') except Exception as e: print(repr(e))spider = Spider()spider.main_fuction()/<code> 下载77张图片总耗时157.17749691009521 s
引入threading多线程模块后的程序代码如下：
<code>#_*_ coding:utf-8 _*_#__author__='阳光流淌007'#__date__='2018-01-28'#爬取wallhaven上的的图片，支持自定义搜索关键词，自动爬取并该关键词下所有图片并存入本地电脑。import osimport requestsimport timefrom lxml import etreefrom threading import ThreadkeyWord = input(f"{'Please input the keywords that you want to download :'}")class Spider(): #初始化参数 def __init__(self): self.headers = {#headers是请求头，"User-Agent"、"Accept"等字段可通过谷歌Chrome浏览器查找！ "User-Agent": "Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1", } self.proxies = {#代理ip，当网站限制ip访问时，需要切换访问ip"http": "http://61.178.238.122:63000", } #filePath是自定义的，本次程序运行后创建的文件夹路径，存放各种需要下载的对象。 self.filePath = ('/users/zhaoluyang/小Python程序集合/桌面壁纸/'+ keyWord + '/') def creat_File(self): #新建本地的文件夹路径，用于存储网页、图片等数据！ filePath = self.filePath if not os.path.exists(filePath): os.makedirs(filePath) def get_pageNum(self): #用来获取搜索关键词得到的结果总页面数,用totalPagenum记录。由于数字是夹在形如：1,985 Wallpapers found for “dog”的string中， #所以需要用个小函数，提取字符串中的数字保存到列表numlist中，再逐个拼接成完整数字。。。 total = "" url = ("https://alpha.wallhaven.cc/search?q={}&categories=111&purity=100&sorting=relevance&order=desc").format(keyWord) html = requests.get(url,headers = self.headers,proxies = self.proxies) selector = etree.HTML(html.text) pageInfo = selector.xpath('//header[@class="listing-header"]/h1[1]/text()') string = str(pageInfo[0]) numlist = list(filter(str.isdigit,string)) for item in numlist: total += item totalPagenum = int(total) return totalPagenum def main_fuction(self): #count是总图片数，times是总页面数 self.creat_File() count = self.get_pageNum() print("We have found:{} images!".format(count)) times = int(count/24 + 1) j = 1 start = time.time() for i in range(times): pic_Urls = self.getLinks(i+1) start2 = time.time() threads = [] for item in pic_Urls: t = Thread(target = self.download, args = [item,j]) t.start() threads.append(t) j += 1 for t in threads: t.join() end2 = time.time() print('This page cost：',end2 - start2,'s') end = time.time() print('Total cost:',end - start,'s') def getLinks(self,number): #此函数可以获取给定numvber的页面中所有图片的链接，用List形式返回 url = ("https://alpha.wallhaven.cc/search?q={}&categories=111&purity=100&sorting=relevance&order=desc&page={}").format(keyWord,number) try: html = requests.get(url,headers = self.headers,proxies = self.proxies) selector = etree.HTML(html.text) pic_Linklist = selector.xpath('//a[@class="jsAnchor thumb-tags-toggle tagged"]/@href') except Exception as e: print(repr(e)) return pic_Linklist def download(self,url,count): #此函数用于图片下载。其中参数url是形如：https://alpha.wallhaven.cc/wallpaper/616442/thumbTags的网址 #616442是图片编号，我们需要用strip()得到此编号，然后构造html，html是图片的最终直接下载网址。 string = url.strip('/thumbTags').strip('https://alpha.wallhaven.cc/wallpaper/') html = 'http://wallpapers.wallhaven.cc/wallpapers/full/wallhaven-' + string + '.jpg' pic_path = (self.filePath + keyWord + str(count) + '.jpg' ) try: start = time.time() pic = requests.get(html,headers = self.headers) f = open(pic_path,'wb') f.write(pic.content) f.close() end = time.time() print(f"Image:{count} has been downloaded,cost:",end - start,'s') except Exception as e: print(repr(e))spider = Spider()spider.main_fuction()/<code>下载77张图片总耗时23.993554830551147 s
对比一下，77张图片的下载时间从157.17s变为23.99s，快了超过6倍。仅仅是简单的改造，多线程对比单线程的提升还是很明显的，其实还可以自己改写多线程算法，还可以加上多进程充分利用CPU数量，还可以用异步协程处理，总之，还有很多可以优化的空间~
分享到:
閱讀更多 Flowingbit 的文章
