Question

在下面的代码中，我正在考虑使用多线程或多进程从url获取。我认为游泳池是理想的，任何人都可以提出解决方案..

想法：池线程/进程，收集数据......我的偏好是通过线程处理，但不确定。

import urllib

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    data_fp = fetch_quote(symbols)
#    print data_fp
if __name__ =='__main__':
    main()

Answer 1

所以这是一个非常简单的例子。它迭代遍历一次一个的符号到fetch_quote。

import urllib
import multiprocessing

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbol):
    url = URL % '+'.join(symbol)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data


def main():

    PROCESSES = 4
    print 'Creating pool with %d processes\n' % PROCESSES
    pool = multiprocessing.Pool(PROCESSES)
    print 'pool = %s' % pool
    print

    results = [pool.apply_async(fetch_quote, sym) for sym in symbols]

    print 'Ordered results using pool.apply_async():'
    for r in results:
        print '\t', r.get()

    pool.close()
    pool.join()

if __name__ =='__main__':
    main()

Answer 2

您有一个请求，一次请求多个信息的流程。让我们尝试逐个获取这些信息。您的代码将是：

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ == "__main__":
    main()

所以main（）调用，每个url逐个获取数据。让我们用池进行多处理：

import urllib
from multiprocessing import Pool

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ =='__main__':
    pool = Pool(processes=5)
    for symbol in symbols:
        result = pool.apply_async(fetch_quote, [(symbol,)])
        print result.get(timeout=1)

在以下主题中，创建了一个新流程来请求每个符号URL。

注意：在python上，由于GIL存在，多线程必须被认为是一种错误的解决方案。

有关文档，请参阅：Multiprocessing in python

Answer 3

实际上，没有两者都可以做到。您可以使用异步调用在一个线程中完成它，例如来自 Twisted Web 的twisted.web.client.getPage。

Answer 4

正如您所知，由于GIL，Python中的多线程实际上并不是多线程。基本上它是在给定时间运行的单个线程。因此，在您的程序中，如果您希望在任何给定时间获取多个URL，则多线程可能不是最佳选择。在爬网之后，您还将数据存储在单个文件或某个持久性数据库中？这里的决定可能会影响您的表现。

多进程在这方面更有效但是有时间＆amp;额外进程产生的内存开销。我最近在Python中探索了这两个选项。这是网址（带代码） -

python -> multiprocessing module

python多线程/多进程代码

4 个答案: