Question

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。

Answer 1

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'

Answer 2

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

python threading具有线程安全性的队列生产者 - 消费者

2 个答案: