多线程即是同时运行多个子程序，就像爬取10页网页，笨方法就是从第一页爬到第十页这样最少需要十几分钟
而用多线程创建10个线程同时爬十个网页，理论上速度可扩大10倍
例如：
- import threading,time
- class MyThread(threading.Thread):
- def __init__(self,threadname):
- threading.Thread.__init__(self,name=threadname)
- def run(self):
- for i in xrange(10):
- print self.getName(),i
- time.sleep(1)
- my = MyThread('test')
- my.start()
定义类继承threading.Thread，然后在__init__里首先调用threading.Thread的__init__方法即可创建线程
重写类的run()方法即可，把你要在线程执行时做的事情都放到里面，这个线程就可以工作了
本例中线程的工作就是每隔一秒输出一下，现在线程就处于“ready”状态或者也称为“runnable”状态。为什么不称为“running”状态呢？其实是有原因的。因为我们的计算机一般是不具有真正并行处理能力的。我们所谓的多线程只是把时间分成片段，然后隔一个时间段就让一个线程执行一下，然后进入“sleeping ”状态，然后唤醒另一个在“sleeping”的线程，如此循环runnable->sleeping->runnable... ，只是因为计算机执行速度很快，而时间片段间隔很小，我们感受不到，以为是同时进行的。所以说一个线程在start了之后只是处在了可以运行的状态，他什么时候运行还是由系统来进行调度的。那一个线程什么时候会“dead”呢？一般来说当线程对象的run方法执行结束或者在执行中抛出异常的话，那么这个线程就会结束了。系统会自动对“dead”状态线程进行清理。如果一个线程A在执行的过程中需要等待另一个线程tB执行结束后才能运行的话，那就可以在A在调用B的B.join()方法，另外还可以给join()传入等待的时间。
t1 = MyThread('t1')
print t1.getName(),t1.isDaemon()
t1.setDaemon(True)
print t1.getName(),t1.isDaemon()
t1.start()
print ('main thread exit')
上面的代码，线程对象的setDaemon()方法可以让子线程随着主线程的退出而结束，不过注意的是setDaemon()方法必须在线程对象没有调用start()方法之前调用(默认情况下；在python中，主线程结束后，会默认等待子线程结束后，主线程才退出)。当执行到 print 'main thread exit' 后，主线程就退出了，当然t1这个线程也跟着结束了。但是如果不使用t1线程对象的setDaemon()方法的话，即便主线程结束了，还要等待t1线程自己结束才能退出进程。isDaemon()是用来获得一个线程对象的Daemonflag状态的
获得当前正在运行的线程的引用 running = threading.currentThread()
获得当前所有活动对象（即run方法开始但是未终止的任何线程）的一个列表 threadlist = threading.enumerate()
获得这个列表的长度 threadcount = threading.activeCount()
查看一个线程对象的状态调用这个线程对象的isAlive()方法，返回1代表处于“runnable”状态且没有“dead” threadflag = threading.isAlive()
线程同歩队列：
虽然不知道干啥的，好像很牛逼，至少安装这个模块的时候搞得差点死，Python2用的是Queue，而到了Python3 变成了queue而且不用安装，自动带的
网上找了个例子，爬取book.doubai排行榜，结果失败了，就换成了糗事百科，代码：
# -*- coding:utf-8 -*-
import requests
from lxml import etree
import queue
import threading
import time
import json
class thread_crawl(threading.Thread):
'''''
抓取线程类
'''
def __init__(self, threadID, q):
threading.Thread.__init__(self)
self.threadID = threadID
self.q = q
def run(self):
print ("Starting " + self.threadID)
self.qiushi_spider()
print( "Exiting ", self.threadID)
def qiushi_spider(self):
# page = 1
while True:
if self.q.empty():
break
else:
page = self.q.get()
print ('qiushi_spider=', self.threadID, ',page=', str(page))
url = 'http://www.qiushibaike.com/hot/page/' + str(page) + '/'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
'Accept-Language': 'zh-CN,zh;q=0.8'}
# 多次尝试失败结束、防止死循环
timeout = 4
while timeout > 0:
timeout -= 1
try:
content = requests.get(url, headers=headers)
data_queue.put(content.text)
break
except Exception:
print ('qiushi_spider', e)
if timeout < 0:
print ('timeout', url)
class Thread_Parser(threading.Thread):
'''''
页面解析类；
'''
def __init__(self, threadID, queue, lock, f):
threading.Thread.__init__(self)
self.threadID = threadID
self.queue = queue
self.lock = lock
self.f = f
def run(self):
print ('starting ', self.threadID)
global total, exitFlag_Parser
while not exitFlag_Parser:
try:
'''''
调用队列对象的get()方法从队头删除并返回一个项目。可选参数为block，默认为True。
如果队列为空且block为True，get()就使调用线程暂停，直至有项目可用。
如果队列为空且block为False，队列将引发Empty异常。
'''
item = self.queue.get(False)
if not item:
pass
self.parse_data(item)
self.queue.task_done()
print ('Thread_Parser=', self.threadID, ',total=', total)
except:
pass
print ('Exiting ', self.threadID)
def parse_data(self, item):
'''''
解析网页函数
:param item: 网页内容
:return:
'''
global total
try:
html = etree.HTML(item)
result = html.xpath('//div[contains(@id,"qiushi_tag")]')
for site in result:
try:
imgUrl = site.xpath('.//img/@src')[0]
title = site.xpath('.//h2')[0].text
content = site.xpath('.//div[@class="content"]')[0].text.strip()
vote = None
comments = None
try:
vote = site.xpath('.//i')[0].text
comments = site.xpath('.//i')[1].text
except:
pass
result = {
'imgUrl': imgUrl,
'title': title,
'content': content,
'vote': vote,
'comments': comments,
}
with self.lock:
# print 'write %s' % json.dumps(result)
self.f.write(json.dumps(result, ensure_ascii=False).encode('utf-8') + "
")
except Exception:
print ('site in result', e)
except Exception:
print ('parse_data', e)
with self.lock:
total += 1
data_queue = queue.Queue()
exitFlag_Parser = False
lock = threading.Lock()
total = 0
def main():
output = open('qiushibaike.json', 'a')
#初始化网页页码page从1-10个页面
pageQueue = queue.Queue(50)
for page in range(1, 11):
pageQueue.put(page)
#初始化采集线程
crawlthreads = []
crawlList = ["crawl-1", "crawl-2", "crawl-3"]
for threadID in crawlList:
thread = thread_crawl(threadID, pageQueue)
thread.start()
crawlthreads.append(thread)
#初始化解析线程parserList
parserthreads = []
parserList = ["parser-1", "parser-2", "parser-3"]
#分别启动parserList
for threadID in parserList:
thread = Thread_Parser(threadID, data_queue, lock, output)
thread.start()
parserthreads.append(thread)
# 等待队列清空
while not pageQueue.empty():
pass
# 等待所有线程完成
for t in crawlthreads:
t.join()
while not data_queue.empty():
pass
# 通知线程是时候退出
global exitFlag_Parser
exitFlag_Parser = True
for t in parserthreads:
t.join()
print ("Exiting Main Thread")
with lock:
output.close()
if __name__ == '__main__':
main()