python多线程爬虫的简单例子

Python多线程（http://www.maiziedu.com/course/python/）主要是通过thread和threading这两个模块来实现的。thread模块是比较底层的模块，threading模块是对thread做了一些包装的，可以更加方便的使用。

虽然python的多线程受GIL限制，并不是真正的多线程，但是对于I/O密集型计算还是能明显提高效率，比如说爬虫。 下面用一个实例来验证多线程的效率。代码只涉及页面获取，并没有解析出来。

# -*-coding:utf-8 -*-

import urllib2, time

import threading

class MyThread(threading.Thread):

def __init__(self, func, args):

threading.Thread.__init__(self)

self.args = args

self.func = func

def run(self):

apply(self.func, self.args)

def open_url(url):

request = urllib2.Request(url)

html = urllib2.urlopen(request).read()

print len(html)

return html

if __name__ == ’__main__’:

# 构造url列表

urlList = []

for p in range(1, 10):

urlList.append(’http://s.wanfangdata.com.cn/Paper.aspx?q=%E5%8C%BB%E5%AD%A6&p=’ + str(p))

# 一般方式

n_start = time.time()

for each in urlList:

open_url(each)

n_end = time.time()

print ’the normal way take %s s’ % (n_end-n_start)

# 多线程

t_start = time.time()

threadList = [MyThread(open_url, (url,)) for url in urlList]

for t in threadList:

t.setDaemon(True)

t.start()

for i in threadList:

i.join()

t_end = time.time()

print ’the thread way take %s s’ % (t_end-t_start)

分别用两种方式获取10个访问速度比较慢的网页，一般方式耗时50s，多线程耗时10s。

多线程代码解读:

# 创建线程类，继承Thread类

class MyThread(threading.Thread):

def __init__(self, func, args):

threading.Thread.__init__(self)  # 调用父类的构造函数

self.args = args

self.func = func

def run(self):  # 线程活动方法

apply(self.func, self.args)