python 协程并发数控制

前言：

本篇博客要采集的站点：【看历史，通天下-历史剧网】

目标数据是该站点下的热门历史事件，列表页分页规则如下所示：

http://www.lishiju.net/hotevents/p0
http://www.lishiju.net/hotevents/p1
http://www.lishiju.net/hotevents/p2

首先我们通过普通的多线程，对该数据进行采集，由于本文主要目的是学习如何控制并发数，所以每页仅输出历史事件的标题内容。

普通的多线程代码：

import threading
import time
import requests
from bs4 import BeautifulSoup
class MyThread(threading.Thread):
   def __init__(self, url):
       threading.Thread.__init__(self)
       self.__url = url
   def run(self):
       res = requests.get(url=self.__url)
       soup = BeautifulSoup(res.text, 'html.parser')
       title_tags = soup.find_all(attrs={'class': 'item-title'})
       event_names = [item.a.text for item in title_tags]
       print(event_names)
       print("")
if __name__ == "__main__":
   start_time = time.perf_counter()
   threads = []
   for i in range(111):  # 创建了110个线程。
       threads.append(MyThread(url="http://www.lishiju.net/hotevents/p{}".format(i)))
   for t in threads:
       t.start()  # 启动了110个线程。
   for t in threads:
       t.join()  # 等待线程结束
   print("累计耗时：", time.perf_counter() - start_time)
   # 累计耗时： 1.537718624

上述代码同时开启所有线程，累计耗时 1.5 秒，程序采集结束。

多线程之信号量

python 信号量（Semaphore）用来控制线程并发数，信号量管理一个内置的计数器。 信号量对象每次调用其 acquire()方法时，信号量计数器执行 -1 操作，调用 release()方法，计数器执行 +1 操作，当计数器等于 0 时，acquire()方法会阻塞线程，一直等到其它线程调用 release()后，计数器重新 +1，线程的阻塞才会解除。

使用 threading.Semaphore()创建一个信号量对象。

修改上述并发代码：

import threading
import time
import requests
from bs4 import BeautifulSoup
class MyThread(threading.Thread):
   def __init__(self, url):
       threading.Thread.__init__(self)
       self.__url = url
   def run(self):
       if semaphore.acquire():  # 计数器 -1
           print("正在采集：", self.__url)
           res = requests.get(url=self.__url)
           soup = BeautifulSoup(res.text, 'html.parser')
           title_tags = soup.find_all(attrs={'class': 'item-title'})
           event_names = [item.a.text for item in title_tags]
           print(event_names)
           print("")
           semaphore.release()  # 计数器 +1
if __name__ == "__main__":
   semaphore = threading.Semaphore(5)  # 控制每次最多执行 5 个线程
   start_time = time.perf_counter()
   threads = []
   for i in range(111):  # 创建了110个线程。
       threads.append(MyThread(url="http://www.lishiju.net/hotevents/p{}".format(i)))
   for t in threads:
       t.start()  # 启动了110个线程。
   for t in threads:
       t.join()  # 等待线程结束
   print("累计耗时：", time.perf_counter() - start_time)
   # 累计耗时： 2.8005530640000003

当控制并发线程数量之后，累计耗时变多。

补充知识点之 GIL：

GIL是 python 里面的全局解释器锁（互斥锁），在同一进程，同一时间下，只能运行一个线程，这就导致了同一个进程下多个线程，只能实现并发而不能实现并行。

需要注意 python 语言并没有全局解释锁，只是因为历史的原因，在 CPython解析器中，无法移除 GIL，所以使用 CPython解析器，是会受到互斥锁影响的。

还有一点是在编写爬虫程序时，多线程比单线程性能是有所提升的，因为遇到 I/O 阻塞会自动释放 GIL锁。

协程中使用信号量控制并发

下面将信号量管理并发数，应用到协程代码中，在正式编写前，使用协程写法重构上述代码。

import time
import asyncio
import aiohttp
from bs4 import BeautifulSoup
async def get_title(url):
   print("正在采集：", url)
   async with aiohttp.request('GET', url) as res:
       html = await res.text()
       soup = BeautifulSoup(html, 'html.parser')
       title_tags = soup.find_all(attrs={'class': 'item-title'})
       event_names = [item.a.text for item in title_tags]
       print(event_names)
async def main():
   tasks = [asyncio.ensure_future(get_title("http://www.lishiju.net/hotevents/p{}".format(i))) for i in range(111)]
   dones, pendings = await asyncio.wait(tasks)
   # for task in dones:
   #     print(len(task.result()))
if __name__ == '__main__':
   start_time = time.perf_counter()
   asyncio.run(main())
   print("代码运行时间为：", time.perf_counter() - start_time)
   # 代码运行时间为： 1.6422313430000002

代码一次性并发 110 个协程，耗时 1.6 秒执行完毕，接下来就对上述代码，增加信号量管理代码。

核心代码是 semaphore = asyncio.Semaphore(10)，控制事件循环中并发的协程数量。

import time
import asyncio
import aiohttp
from bs4 import BeautifulSoup
async def get_title(semaphore, url):
   async with semaphore:
       print("正在采集：", url)
       async with aiohttp.request('GET', url) as res:
           html = await res.text()
           soup = BeautifulSoup(html, 'html.parser')
           title_tags = soup.find_all(attrs={'class': 'item-title'})
           event_names = [item.a.text for item in title_tags]
           print(event_names)
async def main():
   semaphore = asyncio.Semaphore(10)  # 控制每次最多执行 10 个线程
   tasks = [asyncio.ensure_future(get_title(semaphore, "http://www.lishiju.net/hotevents/p{}".format(i))) for i in
            range(111)]
   dones, pendings = await asyncio.wait(tasks)
   # for task in dones:
   #     print(len(task.result()))
if __name__ == '__main__':
   start_time = time.perf_counter()
   asyncio.run(main())
   print("代码运行时间为：", time.perf_counter() - start_time)
   # 代码运行时间为： 2.227831242

aiohttp 中 TCPConnector 连接池

既然上述代码已经用到了 aiohttp 模块，该模块下通过限制同时连接数，也可以控制线程并发数量，不过这个不是很好验证，所以从数据上进行验证，先设置控制并发数为 2，测试代码运行时间为 5.56 秒，然后修改并发数为 10，得到的时间为 1.4 秒，与协程信号量控制并发数得到的时间一致。所以使用 TCPConnector 连接池控制并发数也是有效的。

import time
import asyncio
import aiohttp
from bs4 import BeautifulSoup
async def get_title(session, url):
   async with session.get(url) as res:
       print("正在采集：", url)
       html = await res.text()
       soup = BeautifulSoup(html, 'html.parser')
       title_tags = soup.find_all(attrs={'class': 'item-title'})
       event_names = [item.a.text for item in title_tags]
       print(event_names)
async def main():
   connector = aiohttp.TCPConnector(limit=1)  # 限制同时连接数
   async with aiohttp.ClientSession(connector=connector) as session:
       tasks = [asyncio.ensure_future(get_title(session, "http://www.lishiju.net/hotevents/p{}".format(i))) for i in
                range(111)]
       await asyncio.wait(tasks)
if __name__ == '__main__':
   start_time = time.perf_counter()
   asyncio.run(main())
   print("代码运行时间为：", time.perf_counter() - start_time)

来源：https://juejin.cn/post/7068824518902906916