多线程和线程池的使用方法之Python

lsekfe

　Python是一种高级编程语言，它在众多编程语言中，拥有极高的人气和使用率。Python中的多线程和线程池是其强大的功能之一，可以让我们更加高效地利用CPU资源，提高程序的运行速度。本篇博客将介绍Python中多线程和线程池的使用方法，并提供一些实用的案例供读者参考。
　　一、多线程
　　多线程是指在同一进程中，有多个线程同时执行不同的任务。Python中的多线程是通过threading模块来实现的。下面是一个简单的多线程示例：
　　import threading
　　def task(num):
　　    print('Task %d is running.' % num)
　　if __name__ == '__main__':
　　    for i in range(5):
　　        t = threading.Thread(target=task, args=(i,))
　　        t.start()


　　上述代码中，我们定义了一个task函数，它接受一个参数num，用于标识任务。在主程序中，我们创建了5个线程，每个线程都执行task函数，并传入不同的参数。通过start()方法启动线程。运行上述代码，可以看到输出结果类似于下面这样：
　　Task 0 is running.
　　Task 1 is running.
　　Task 2 is running.
　　Task 3 is running.
　　Task 4 is running.


　　由于多线程是并发执行的，因此输出结果的顺序可能会有所不同。
　　二、线程池
　　线程池是一种管理多线程的机制，它可以预先创建一定数量的线程，并将任务分配给这些线程执行。Python中的线程池是通过ThreadPoolExecutor类来实现的。下面是一个简单的线程池示例：
　　import concurrent.futures
　　def task(num):
　　    print('Task %d is running.' % num)
　　if __name__ == '__main__':
　　    with concurrent.futures.ThreadPoolExecutor(max_workers=3) as executor:
　　        for i in range(5):
　　            executor.submit(task, i)


　　上述代码中，我们使用了with语句创建了一个ThreadPoolExecutor对象，其中max_workers参数指定了线程池中最大的线程数量。在主程序中，我们创建了5个任务，每个任务都通过executor.submit()方法提交给线程池执行。运行上述代码，可以看到输出结果类似于下面这样：
　　Task 0 is running.
　　Task 1 is running.
　　Task 2 is running.
　　Task 3 is running.
　　Task 4 is running.


　　由于线程池中最大的线程数量为3，因此只有3个任务可以同时执行，其他任务需要等待线程池中的线程空闲后再执行。
　　三、使用案例
　　下面是一个实际的案例，展示了如何使用多线程和线程池来加速数据处理过程。假设我们有一个包含1000个元素的列表，需要对每个元素进行某种运算，并将结果保存到另一个列表中。我们可以使用单线程的方式来实现：
　　def process(data):
　　    result = []
　　    for item in data:
　　        result.append(item * 2)
　　    return result
　　if __name__ == '__main__':
　　    data = list(range(1000))
　　    result = process(data)
　　    print(result)


　　上述代码中，我们定义了一个process函数，它接受一个列表作为参数，对列表中的每个元素进行运算，并将结果保存到另一个列表中。在主程序中，我们创建了一个包含1000个元素的列表，并将其传递给process函数。运行上述代码，可以看到输出结果类似于下面这样：
　　[0, 2, 4, 6, 8, ..., 1996, 1998]

　　Python中的多线程和线程池可以提高爬虫的效率，本文将介绍一个爬取豆瓣电影Top250的案例，并通过多线程和线程池优化爬取过程。
　　单线程爬取
　　首先，我们先来看一下单线程爬取的代码：
　　# -*- coding: utf-8 -*-
　　import requests
　　from bs4 import BeautifulSoup
　　def get_html(url):
　　    try:
　　        response = requests.get(url)
　　        if response.status_code == 200:
　　            return response.text
　　        else:
　　            return None
　　    except Exception as e:
　　        print(e)
　　def parse_html(html):
　　    soup = BeautifulSoup(html, 'lxml')
　　    movie_list = soup.find(class_='grid_view').find_all('li')
　　    for movie in movie_list:
　　        title = movie.find(class_='title').string
　　        rating = movie.find(class_='rating_num').string
　　        print(title, rating)
　　def main():
　　    url = 'https://movie.douban.com/top250'
　　    html = get_html(url)
　　    parse_html(html)
　　if __name__ == '__main__':
　　    main()


　　这是一个简单的爬取豆瓣电影Top250的代码，首先通过requests库获取网页的HTML代码，然后使用BeautifulSoup库解析HTML代码，获取电影名称和评分。
　　但是，这种单线程爬取的方式效率较低，因为在获取HTML代码的时候需要等待响应，而在等待响应的过程中CPU会空闲，无法充分利用计算机的性能。
　　多线程爬取
　　接下来，我们通过多线程的方式来优化爬取过程。首先，我们需要导入Python中的threading库：
　　import threading

　　然后，我们将获取HTML代码的代码放在一个函数中，并将其作为一个线程来运行：
　　def get_html(url):
　　    try:
　　        response = requests.get(url)
　　        if response.status_code == 200:
　　            return response.text
　　        else:
　　            return None
　　    except Exception as e:
　　        print(e)
　　class GetHtmlThread(threading.Thread):
　　    def __init__(self, url):
　　        threading.Thread.__init__(self)
　　        self.url = url
　　    def run(self):
　　        html = get_html(self.url)
　　        parse_html(html)


　　在上面的代码中，我们首先定义了一个GetHtmlThread类，继承自threading.Thread类，然后在类的构造函数中传入需要爬取的URL。在run方法中，我们调用get_html函数获取HTML代码，并将其传入parse_html函数中进行解析。
　　接下来，我们通过循环创建多个线程来进行爬取：
　　def main():
　　    urls = ['https://movie.douban.com/top250?start={}'.format(i) for i in range(0, 250, 25)]
　　    threads = []
　　    for url in urls:
　　        thread = GetHtmlThread(url)
　　        thread.start()
　　        threads.append(thread)
　　    for thread in threads:
　　        thread.join()


　　在上面的代码中，我们首先定义了一个urls列表，包含了所有需要爬取的URL。然后通过循环创建多个GetHtmlThread线程，并将其加入到threads列表中。最后，通过循环调用join方法等待所有线程执行完毕。
　　通过多线程的方式，我们可以充分利用计算机的性能，提高爬取效率。
　　线程池爬取
　　在多线程的方式中，我们需要手动创建和管理线程，这样会增加代码的复杂度。因此，我们可以使用Python中的线程池来进行优化。
　　首先，我们需要导入Python中的concurrent.futures库：
　　import concurrent.futures

　　然后，我们将获取HTML代码的代码放在一个函数中，并将其作为一个任务来提交给线程池：
　　def get_html(url):
　　    try:
　　        response = requests.get(url)
　　        if response.status_code == 200:
　　            return response.text
　　        else:
　　            return None
　　    except Exception as e:
　　        print(e)
　　def parse_html(html):
　　    soup = BeautifulSoup(html, 'lxml')
　　    movie_list = soup.find(class_='grid_view').find_all('li')
　　    for movie in movie_list:
　　        title = movie.find(class_='title').string
　　        rating = movie.find(class_='rating_num').string
　　        print(title, rating)
　　def main():
　　    urls = ['https://movie.douban.com/top250?start={}'.format(i) for i in range(0, 250, 25)]
　　    with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
　　        futures = [executor.submit(get_html, url) for url in urls]
　　    for future in concurrent.futures.as_completed(futures):
　　        html = future.result()
　　        parse_html(html)


　　在上面的代码中，我们首先定义了一个urls列表，包含了所有需要爬取的URL。然后通过with语句创建一个线程池，并设置最大线程数为5。接下来，我们通过循环将每个URL提交给线程池，并将返回的Future对象加入到futures列表中。最后，通过concurrent.futures.as_completed函数来等待所有任务执行完毕，并获取返回值进行解析。
　　通过线程池的方式，我们可以更加简洁地实现多线程爬取，并且可以更加灵活地控制线程的数量，避免线程过多导致系统负载过高的问题。