python多线程/多进程代码

Question

在下面的代码中，我正在考虑使用多线程或多进程从 url 获取。我认为池是理想的，任何人都可以帮助提出解决方案..

想法：池线程/进程，收集数据...我的偏好是进程而不是线程，但不确定。

import urllib

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    data_fp = fetch_quote(symbols)
#    print data_fp
if __name__ =='__main__':
    main()

Answer 1

您有一个请求同时请求多个信息的进程。让我们尝试一一获取这些信息。您的代码将是：

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ == "__main__":
    main()

所以 main() 调用，每个 url 一个一个地获取数据。 让我们用一个池对它进行多处理：

import urllib
from multiprocessing import Pool

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ =='__main__':
    pool = Pool(processes=5)
    for symbol in symbols:
        result = pool.apply_async(fetch_quote, [(symbol,)])
        print result.get(timeout=1)

在下面的 main 中创建了一个新进程来请求每个符号 url。

注意：在 python 上，由于存在 GIL，因此必须将多线程视为错误的解决方案。

有关文档，请参阅：Multiprocessing in python

Answer 2

所以这里有一个非常简单的例子。它遍历符号，一次传递一个到 fetch_quote。

import urllib
import multiprocessing

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbol):
    url = URL % '+'.join(symbol)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data


def main():

    PROCESSES = 4
    print 'Creating pool with %d processes\n' % PROCESSES
    pool = multiprocessing.Pool(PROCESSES)
    print 'pool = %s' % pool
    print

    results = [pool.apply_async(fetch_quote, sym) for sym in symbols]

    print 'Ordered results using pool.apply_async():'
    for r in results:
        print '\t', r.get()

    pool.close()
    pool.join()

if __name__ =='__main__':
    main()

Answer 3

实际上，两者都可以做到。您可以使用异步调用在一个线程中完成它，例如来自 Twisted Web 的twisted.web.client.getPage。

Answer 4

如您所知，由于 GIL，Python 中的多线程实际上并不是多线程。本质上，它是在给定时间运行的单个线程。因此，在您的程序中，如果您希望在任何给定时间获取多个 url，多线程可能不是要走的路。还是在爬网之后将数据存储在单个文件或某个持久数据库中？此处的决定可能会影响您的表现。

多进程这样效率更高，但会产生额外进程的时间和内存开销。我最近在 Python 中探索了这两个选项。这是网址（带代码）-

python -> multiprocessing module