Python爬虫技术--基础篇--多进程（python 高效爬虫）

Python爬虫技术--基础篇--多进程（python 高效爬虫）

要让Python程序实现多进程（multiprocessing），我们先了解操作系统的相关知识。

Unix/Linux操作系统提供了一个​​fork()​​​系统调用，它非常特殊。普通的函数调用，调用一次，返回一次，但是​​fork()​​调用一次，返回两次，因为操作系统自动把当前进程（称为父进程）复制了一份（称为子进程），然后，分别在父进程和子进程内返回。

子进程永远返回​​0​​​，而父进程返回子进程的ID。这样做的理由是，一个父进程可以fork出很多子进程，所以，父进程要记下每个子进程的ID，而子进程只需要调用​​getppid()​​就可以拿到父进程的ID。

Python的​​os​​​模块封装了常见的系统调用，其中就包括​​fork​​，可以在Python程序中轻松创建子进程：

import osprint('Process (%s) start...' % os.getpid())# Only works on Unix/Linux/Mac:pid = os.fork()if pid == 0: print('I am child process (%s) and my parent is %s.' % (os.getpid(), os.getppid()))else: print('I (%s) just created a child process (%s).' % (os.getpid(), pid))

运行结果如下：

Process (876) start...I (876) just created a child process (877).I am child process (877) and my parent is 876.

由于Windows没有​​fork​​调用，上面的代码在Windows上无法运行。而Mac系统是基于BSD（Unix的一种）内核，所以，在Mac下运行是没有问题的，推荐大家用Mac学Python！

有了​​fork​​调用，一个进程在接到新任务时就可以复制出一个子进程来处理新任务，常见的Apache服务器就是由父进程监听端口，每当有新的multiprocessing import Processimport os# 子进程要执行的代码def run_proc(name): print('Run child process %s (%s)...' % (name, os.getpid()))if __name__=='__main__': print('Parent process %s.' % os.getpid()) p = Process(target=run_proc, args=('test',)) print('Child process will start.') p.start() p.join() print('Child process end.')

执行结果如下：

Parent process 928.Child process will start.Run child process test (929)...Process end.

创建子进程时，只需要传入一个执行函数和函数的参数，创建一个​​Process​​​实例，用​​start()​​​方法启动，这样创建进程比​​fork()​​还要简单。

​​join()​​方法可以等待子进程结束后再继续往下运行，通常用于进程间的同步。

Pool

如果要启动大量的子进程，可以用进程池的方式批量创建子进程：

from multiprocessing import Poolimport os, time, randomdef long_time_task(name): print('Run task %s (%s)...' % (name, os.getpid())) start = time.time() time.sleep(random.random() * 3) end = time.time() print('Task %s runs %0.2f seconds.' % (name, (end - start)))if __name__=='__main__': print('Parent process %s.' % os.getpid()) p = Pool(4) for i in range(5): p.apply_async(long_time_task, args=(i,)) print('Waiting for all subprocesses done...') p.close() p.join() print('All subprocesses done.')

执行结果如下：

Parent process 669.Waiting for all subprocesses done...Run task 0 (671)...Run task 1 (672)...Run task 2 (673)...Run task 3 (674)...Task 2 runs 0.14 seconds.Run task 4 (673)...Task 1 runs 0.27 seconds.Task 3 runs 0.86 seconds.Task 0 runs 1.41 seconds.Task 4 runs 1.91 seconds.All subprocesses done.

代码解读：

对​​Pool​​​对象调用​​join()​​​方法会等待所有子进程执行完毕，调用​​join()​​​之前必须先调用​​close()​​​，调用​​close()​​​之后就不能继续添加新的​​Process​​了。

请注意输出的结果，task ​​0​​​，​​1​​​，​​2​​​，​​3​​​是立刻执行的，而task ​​4​​​要等待前面某个task完成后才执行，这是因为​​Pool​​​的默认大小在我的电脑上是4，因此，最多同时执行4个进程。这是​​Pool​​有意设计的限制，并不是操作系统的限制。如果改成：

p = Pool(5)

就可以同时跑5个进程。

由于​​Pool​​的默认大小是CPU的核数，如果你不幸拥有8核CPU，你要提交至少9个子进程才能看到上面的等待效果。

子进程

很多时候，子进程并不是自身，而是一个外部进程。我们创建了子进程后，还需要控制子进程的输入和输出。

​​subprocess​​模块可以让我们非常方便地启动一个子进程，然后控制其输入和输出。

下面的例子演示了如何在Python代码中运行命令​​nslookup python.org​​，这和命令行直接运行的效果是一样的：

import subprocessprint('$ nslookup python.org')r = subprocess.call(['nslookup', 'python.org'])print('Exit code:', r)

运行结果：

$ nslookup python.orgServer: 192.168.19.4Address: 192.168.19.4#53Non-authoritative answer:python.org canonical name = python.map.fastly.net.Name: python.map.fastly.netAddress: 199.27.79.223Exit code: 0

如果子进程还需要输入，则可以通过​​communicate()​​方法输入：

import subprocessprint('$ nslookup')p = subprocess.Popen(['nslookup'], stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE)output, err = p.communicate(b'set q=mx\npython.org\nexit\n')print(output.decode('utf-8'))print('Exit code:', p.returncode)

上面的代码相当于在命令行执行命令​​nslookup​​，然后手动输入：

set q=mxpython.orgexit

运行结果如下：

$ nslookupServer: 192.168.19.4Address: 192.168.19.4#53Non-authoritative answer:python.org mail exchanger = 50 mail.python.org.Authoritative answers can be found from:mail.python.org internet address = 82.94.164.166mail.python.org has AAAA address 2001:888:2000:d::a6Exit code: 0

进程间通信

​​Process​​​之间肯定是需要通信的，操作系统提供了很多机制来实现进程间的通信。Python的​​multiprocessing​​​模块包装了底层的机制，提供了​​Queue​​​、​​Pipes​​等多种方式来交换数据。

我们以​​Queue​​​为例，在父进程中创建两个子进程，一个往​​Queue​​​里写数据，一个从​​Queue​​里读数据：

from multiprocessing import Process, Queueimport os, time, random# 写数据进程执行的代码:def write(q): print('Process to write: %s' % os.getpid()) for value in ['A', 'B', 'C']: print('Put %s to queue...' % value) q.put(value) time.sleep(random.random())# 读数据进程执行的代码:def read(q): print('Process to read: %s' % os.getpid()) while True: value = q.get(True) print('Get %s from queue.' % value)if __name__=='__main__': # 父进程创建Queue，并传给各个子进程： q = Queue() pw = Process(target=write, args=(q,)) pr = Process(target=read, args=(q,)) # 启动子进程pw，写入: pw.start() # 启动子进程pr，读取: pr.start() # 等待pw结束: pw.join() # pr进程里是死循环，无法等待其结束，只能强行终止: pr.terminate()

运行结果如下：

Process to write: 50563Put A to queue...Process to read: 50564Get A from queue.Put B to queue...Get B from queue.Put C to queue...Get C from queue.

在Unix/Linux下，​​multiprocessing​​​模块封装了​​fork()​​​调用，使我们不需要关注​​fork()​​​的细节。由于Windows没有​​fork​​​调用，因此，​​multiprocessing​​​需要“模拟”出​​fork​​​的效果，父进程所有Python对象都必须通过pickle序列化再传到子进程去，所以，如果​​multiprocessing​​在Windows下调用失败了，要先考虑是不是pickle失败了。

小结

在Unix/Linux下，可以使用​​fork()​​调用实现多进程。

要实现跨平台的多进程，可以使用​​multiprocessing​​模块。

进程间通信是通过​​Queue​​​、​​Pipes​​等实现的。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。