要點：

• 手動線程池
• concurrent.futures線程池
• concurrent.futures進程池
• gevent協程

1、實戰爬取維基百科例子

平時咱們有不少任務，尤爲是比較耗時的大量任務要處理，必定會用到併發處理。畢竟串行太慢了，下面咱們去爬一個維基百科的網站:python

咱們來爬取紅框裏面的導航文本部分,這是一個很是簡單的爬蟲(關於爬蟲的文章前面寫的太多太多了，你們能夠翻歷史文章)

1).鏈接網頁

2).爬取網頁

• 函數設計的時候咱們但願入參是一個元組(url,words),方便後面作併發處理
• 網頁很是簡單，直接用requests取爬取,獲取text
• 用pyquery來解析網頁,獲取對國家的描述
• 數據結構用字典對來存儲

2、PK前作點準備工做

1).若是咱們如今要爬取100個國家的信息，有幾種辦法呢：

• 最慢的串行爬取
• 本身手動構建一個線程池，把要爬取的100國家都扔到共享隊列裏面，讓多個線程共享爬取
• 利用concurrent.futures標準庫裏的線程池來爬去
• 用多進程來爬取，雖然網頁請求是CPU密集型的，用進程有點浪費，可是咱們做爲對比，是能夠試一下的
• 用協程也叫微線程，是一種綠色線程，用來作高併發很爽

2).爲了準確的計算每一種方法的耗時，咱們寫一個函數專門來計算時間:

下面咱們用上面的5種方法逐一運行,爲了簡單期間咱們統一爬取5個國家，每種方法上面用裝飾器@cost_time來計算一下，看看到底哪一種方便比較簡單，速度又最快~~

3、慢慢的串行處理

先來段最通俗的one by one的串行處理

>>>

爬取5個國家的簡介花了17秒,串行由於在等待服務器的相應的時候傻等，因此浪費了不少時間

4、手動建多線程共享隊列

利用queue有鎖的功能，手動把數據塞進隊列，而後多個線程共享爬取

>>>

多線程確實很是快，只須要5秒左右就搞定了，可是用這種方法代碼太多，有沒有更優美的方法呢

5、用標準庫裏面的線程池

與其動手造輪子，不如用無所不能的庫，Python裏面的庫真的太多太多了！這也是Python爲啥這麼火爆的緣由之一.

>>>

發現用系統的線程池跟手動的幾乎差很少，可是你們發現沒有用輪子來處理，代碼量很是小，並且很優美！(這是Python之美，能用輪子儘可能用輪子，簡潔高效).

有同窗會問，有沒有什麼狀況是必定要手動構建線程池，而不能用 <ThreadPoolExecutor >，確實有這樣的狀況，你們思考一下，不明白的留言給我，偷偷告訴你.

6、用標準庫的裏進程池

既然上面有線程池，必定有進程池吧。是的，咱們下面來看看殺雞用牛刀的多進程處理，須要幾秒呢：

>>>

差很少也是5-6秒左右，多進程仍是比較快的！可是咱們這裏是5個國家，若是500個你不可能開100個進程來處理呢，若是碰到很是巨大的併發量，又要節省系統資源，又要速度很快，怎麼辦呢，咱們看最後一招

7、絕招，用協程來併發

用一下gevent這個庫,功能強大使用簡單，對協程的封裝比較好。每當一個協程阻塞時，程序將自動調度，gevent幫咱們處理了全部的底層細節

gevent.spawn來建立一個一個的協程對象，而後joinall會等待全部的協程運行完成，最後咱們就獲取到幾個國家的簡介數據。

>>>

哇協程果真很牛逼，只須要2.8秒左右，很是舒爽的感受！可是這裏由於requests庫有個缺點，訪問的時候是上一個訪問結束，才能進行下一次訪問！因此須要用gevent的猴子補丁.另外gevent雖然很好，可是它是大規模併發，若是發起10000個網絡請求，估計很快會被封IP！

好咱們來總結一下：

• 同步處理：17秒
• 異步手動建線程池：5.5秒
• 異步標準庫線程池：5.2秒
• 異步標準庫進程池：5.9秒
• 併發協程：2.8秒

很明顯用Gevent最快，尤爲是在大規模的幾十萬級別的併發處理效果很是明顯.

線程池也是一個不錯的選擇，並且比較靈活，若是須要多個併發任務之間有交互的話，仍是須要用線程池.

那進程池呢，咱們上面考慮的都是IO 密集型task,若是咱們碰到了CPO型的那就必需要多核多CPU運行才能加速。畢竟Python有一個煩人的GIL,

好今天的文章就寫到這裏，歡迎留言討論服務器

文章摘自：菜鳥學python微信微信