我正在使用线程和队列来获取网址并存储到数据库
我只想要一个线程来做存储工作
所以我编写如下代码：
import threading
import time
import Queue
site_count = 10
fetch_thread_count = 2
site_queue = Queue.Queue()
proxy_array=[]
class FetchThread(threading.Thread):
def __init__(self,site_queue,proxy_array):
threading.Thread.__init__(self)
self.site_queue = site_queue
self.proxy_array = proxy_array
def run(self):
while True:
index = self.site_queue.get()
self.get_proxy_one_website(index)
self.site_queue.task_done()
def get_proxy_one_website(self,index):
print '{0} fetched site :{1}\n'.format(self.name,index)
self.proxy_array.append(index)
def save():
while True:
if site_queue.qsize() > 0:
if len(proxy_array) > 10:
print 'save :{0} to database\n'.format(proxy_array.pop())
else:
time.sleep(1)
elif len(proxy_array) > 0:
print 'save :{0} to database\n'.format(proxy_array.pop())
elif len(proxy_array) == 0:
print 'break'
break
else:
print 'continue'
continue
def start_crawl():
global site_count,fetch_thread_count,site_queue,proxy_array
print 'init'
for i in range(fetch_thread_count):
ft = FetchThread(site_queue,proxy_array)
ft.setDaemon(True)
ft.start()
print 'put site_queue'
for i in range(site_count):
site_queue.put(i)
save()
print 'start site_queue join'
site_queue.join()
print 'finish'
start_crawl()
执行输出：
init
put site_queue
Thread-1 fetched site :0
Thread-2 fetched site :1
Thread-1 fetched site :2
Thread-2 fetched site :3
Thread-1 fetched site :4
Thread-2 fetched site :5
Thread-1 fetched site :6
Thread-2 fetched site :7
Thread-1 fetched site :8
Thread-2 fetched site :9
save :9 to database
save :8 to database
save :7 to database
save :6 to database
save :5 to database
save :4 to database
save :3 to database
save :2 to database
save :1 to database
save :0 to database
break
start site_queue join
finish
[Finished in 1.2s]
为什么save()函数在site_queue.join()之后编写的save()之后运行
我还用线程函数替换save()，但它也不起作用。
这是否意味着我必须将proxy_array=[]更改为proxy_queue=Queue.Queue()，然后我可以使用theading来存储数据？
我只想要一个thead这样做，并且没有任何其他theads会从proxy_array获取数据，为什么我要加入它？使用Queue似乎很奇怪。
有更好的解决方法吗？
更新
我不想等到所有的FetchThreads完成他们的工作。我想在fraccing时保存数据，它会快得多。
我希望结果如下所示（因为我使用array.pop（），所以保存0可能会出现得很晚，这只是一个容易理解的例子。）：
Thread-2 fetched site :1
Thread-1 fetched site :2
save :0 to database
Thread-2 fetched site :3
Thread-1 fetched site :4
save :2 to database
save :3 to database
Thread-2 fetched site :5
Thread-1 fetched site :6
save :4 to database
.......
某人的UPDATE2具有与以下相同的问题：
问题：
正如我在上面所说的那样，没有任何其他的theads会从proxy_array获取数据
我无法想象为什么它会破坏线程安全？
答案：
producer-consumer problem在misha的回答中，我仔细阅读后会理解。
问题：
还有一个问题，如果程序主线程可以像FetchThreads那样扮演comsumer（换句话说，不需要创建StoreThread）
这是我无法弄清楚的，我会在找到答案后更新。
答案 0 :(得分：5)
我必须提出类似的生产者 - 消费者。生产者生成一个'id'，消费者使用该id来进行一些url获取并将其处理到它。 这是我的骨架代码，它可以做到这一点
import Queue
import random
import threading
import time
import sys
data_queue = Queue.Queue()
lock = threading.Lock()
def gcd(a, b):
while b != 0:
a,b = b, a%b
return b
def consumer(idnum):
while True:
try:
data = data_queue.get(block=False)
except Exception, e:
print 'Exception ' + str(e)
else:
with lock:
print('\t consumer %d: computed gcd(%d, %d) = %d' %(idnum, data[0], data[1], gcd(data[0], data[1])))
time.sleep(1)
data_queue.task_done()
def producer(idnum, count):
for i in range(count):
a,b = random.randint(1, sys.maxint), random.randint(1, sys.maxint)
with lock:
print('\t producer %d: generated (%d, %d)'% (idnum, a, b))
data_queue.put((a,b))
time.sleep(0.5)
if __name__ == '__main__':
num_producers = 1
num_consumers = 2
num_integer_pairs = 10
for i in range(num_consumers):
t = threading.Thread(target=consumer, args=(i,))
t.daemon = True
t.start()
threads = []
for ii in range(num_producers):
thread = threading.Thread(target=producer, args=(ii, num_integer_pairs))
threads.append(thread)
thread.start()
# wait for the producers threads to finish
for thread in threads:
thread.join()
print 'done with producer threads'
# wait till all the jobs are done in the queue
data_queue.join()
with lock:
print 'all consumer threads finished'
with lock:
print 'main thread exited'
答案 1 :(得分：3)
我建议您阅读producer-consumer problem。你的生产者是获取线程。您的消费者是save功能。如果我理解正确，您希望消费者尽快保存获取的结果。为此，生产者和消费者必须能够以某种线程安全的方式进行通信（例如队列）。
基本上，您需要另一个队列。它将取代proxy_array。您的save函数将如下所示：
while True:
try:
data = fetch_data_from_output_queue()
save_to_database(data)
except EmptyQueue:
if not stop_flag.is_set():
# All done
break
time.sleep(1)
continue
这个save函数需要在自己的线程中运行。 stop_flag是<{3}}，在您加入获取线程后
从较高的层面来看，您的应用程序将如下所示：
input_queue = initialize_input_queue()
ouput_queue = initialize_output_queue()
stop_flag = Event()
create_and_start_save_thread(output_queue) # read from output queue, save to DB
create_and_start_fetch_threads(input_queue, output_queue) # get sites to crawl from input queue, push crawled results to output_queue
join_fetch_threads() # this will block until the fetch threads have gone through everything in the input_queue
stop_flag.set() # this will inform the save thread that we are done
join_save_thread() # wait for all the saving to complete