Python处理多线程的最佳方法是什么

Question

由于我的 scaper 运行速度如此之慢（一次一页），所以我尝试使用线程使其运行得更快。我有一个用于抓取网站的函数 scrape(website)，因此我可以轻松地创建每个线程并在每个线程上调用 start()。

现在我想实现一个 num_threads 变量，它是我想同时运行的线程数。处理这些多线程的最佳方法是什么？

例如：假设 num_threads = 5 ，我的目标是启动 5 个线程，然后抓取列表中的前 5 个网站并抓取它们，然后如果线程 #3 完成，它将立即抓取列表中的第 6 个网站进行抓取，而不是等到其他线程结束。

关于如何处理它的任何建议？谢谢

Answer 1

视情况而定。

如果您的代码大部分时间都在等待网络操作（可能是在网络抓取应用程序中），那么线程是合适的。实现线程池的最佳方式是在 3.4 中使用concurrent.futures。如果做不到这一点，您可以创建一个threading.Queue 对象并将每个线程编写为一个无限循环，从队列中消耗工作对象并对其进行处理。

如果您的代码在下载数据后大部分时间都在处理数据，那么由于 GIL，线程是无用的。 concurrent.futures 提供对进程并发的支持，但同样仅适用于 3.4+。对于较旧的 Python，请使用 multiprocessing。它提供了一个Pool 类型，简化了创建进程池的过程。

您应该分析您的代码（使用cProfile）以确定您遇到的这两种情况中的哪一种。

Answer 2

如果您使用的是 Python 3，请查看 concurrent.futures.ThreadPoolExecutor

从文档ThreadPoolExecutor Example 中提取的示例：

import concurrent.futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

# Retrieve a single page and report the url and contents
def load_url(url, timeout):
    conn = urllib.request.urlopen(url, timeout=timeout)
    return conn.readall()

# We can use a with statement to ensure threads are cleaned up promptly
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
    # Start the load operations and mark each future with its URL
    future_to_url = {executor.submit(load_url, url, 60): url for url in URLS}
    for future in concurrent.futures.as_completed(future_to_url):
        url = future_to_url[future]
        try:
            data = future.result()
        except Exception as exc:
            print('%r generated an exception: %s' % (url, exc))
        else:
            print('%r page is %d bytes' % (url, len(data)))

---

如果您使用的是 Python 2，则有一个可用的反向端口：

ThreadPoolExecutor Example:

from concurrent import futures
import urllib.request

URLS = ['http://www.foxnews.com/',
        'http://www.cnn.com/',
        'http://europe.wsj.com/',
        'http://www.bbc.co.uk/',
        'http://some-made-up-domain.com/']

def load_url(url, timeout):
    return urllib.request.urlopen(url, timeout=timeout).read()

with futures.ThreadPoolExecutor(max_workers=5) as executor:
    future_to_url = dict((executor.submit(load_url, url, 60), url)
                         for url in URLS)

    for future in futures.as_completed(future_to_url):
        url = future_to_url[future]
        if future.exception() is not None:
            print('%r generated an exception: %s' % (url,
                                                     future.exception()))
        else:
            print('%r page is %d bytes' % (url, len(future.result())))