为什么要通信
如果各个线程之间各干各的,确实不需要通信,这样的代码也十分的简单。但这一般是不可能的,至少线程要和主线程进行通信,不然计算结果等内容无法取回。而实际情况中要复杂的多,多个线程间需要交换数据,才能得到正确的执行结果。
全局变量
最简单的想法是建立一个全局变量。几个子线程共同操作这个全局变量(几个线程写变量,几个线程读变量)。
同样举爬虫的例子,假设需要爬取博客网站的所有文章详情,先要通过文章列表页爬取所有文章的url
,再根据文章的url
,爬取文章的具体内容。一般来说爬去文章的url
速度比较快,为文章内容数据量相对更大,速度要慢一些,所以可以用一个线程(文章列表爬取线程)爬取文章url
列表,多个线程(文章内容爬取线程)根据url
访问文章具体内容并爬取。此时两个线程之间有交互,文章内容爬取线程需要得到文章列表爬取线程的具体数据,而文章列表爬取线程无需文章内容爬取线程的数据。
import threading # 导入线程包
import time
detail_url_list = []
# 爬取文章详情页
def get_detail_html(detail_url_list, id):
while True:
if len(detail_url_list)==0: # 列表中为空,则等待另一个线程放入数据
continue
url = detail_url_list.pop()
time.sleep(2) # 延时2s,模拟网络请求
print("thread {id}: get {url} detail finished".format(id=id,url=url))
# 爬取文章列表页
def get_detail_url(detail_url_list):
for i in range(10000):
time.sleep(1) # 延时1s,模拟比爬取文章详情要快
detail_url_list.append("http://projectedu.com/{id}".format(id=i))
print("get detail url {id} end".format(id=i))
if __name__ == "__main__":
# 创建读取列表页的线程
thread = threading.Thread(target=get_detail_url, args=(detail_url_list,))
# 创建读取详情页的线程
html_thread= []
for i in range(4):
thread2 = threading.Thread(target=get_detail_html, args=(detail_url_list,i))
html_thread.append(thread2)
start_time = time.time()
# 启动两个线程
thread.start()
for i in range(4):
html_thread[i].start()
# 等待所有线程结束
thread.join()
for i in range(4):
html_thread[i].join()
print("last time: {} s".format(time.time()-start_time))
结果如下:
get detail url 0 end
get detail url 1 end
thread 2: get http://projectedu.com/0 detail finished
get detail url 2 end
thread 3: get http://projectedu.com/1 detail finished
get detail url 3 end
thread 1: get http://projectedu.com/2 detail finished
get detail url 4 end
thread 3: get http://projectedu.com/3 detail finished
get detail url 5 end
get detail url 6 end
thread 2: get http://projectedu.com/4 detail finished
thread 0: get http://projectedu.com/5 detail finished
get detail url 7 end
get detail url 8 end
thread 3: get http://projectedu.com/6 detail finished
thread 2: get http://projectedu.com/7 detail finished
get detail url 9 end
get detail url 10 end
thread 0: get http://projectedu.com/8 detail finished
看起来结果很完美,但是,存在着一定的隐患,虽然一般很慢暴露出来。
有两个问题:
-
python中
的List
不是线程安全的,可能pop()
函数执行到了一半,另一个线程同时执行pop()
,或者另一个线程执行append()
,这个时候detail_url_list
中的数据就会发生错误,导致程序挂掉或者得到不正确的结果。 - 假设
detail_url_list
中只有一个元素,当一个线程判断列表不为空,还没有pop()
出数据时,时间片被另一个线程抢走,同样列表中还有元素,同样不为空,成功的把数据取出来,这时列表就为空了,这时时间片又让给了上一个线程,上一个线程执行pop()
,导致pop from empty list
的异常!在url = detail_url_list.pop()
语句前加上time.sleep(1)
可以暴露出这个问题。
解决方法是在判断全局变量是否为空之前,从全局变量取值之后加锁,具体在之后讨论。
消息队列--queue模块
使用消息队列的过程和上面一样,只不过queue
进行了很好的封装,在放值和取值的时候时线程安全的。
queue
模块实现了多生产者,多消费者的队列。当 要求信息必须在多线程间安全交换,这个模块在线程编程时非常有用 。里面主要实现了3中队列。
1. class queue.Queue(maxsize = 0): 构造一个FIFO队列,maxsize可以限制队列的大小。如果队列的大小达到了队列的上限,就会加锁,加入就会阻塞,直到队列的内容被消费掉。maxsize的值小于等于0,那么队列的尺寸就是无限制的
2. class queue.LifoQueue(maxsize = 0): 构造一个LIFO(Last In First Out)队列
3. class PriorityQueue(maxsize = 0):优先级最低的先出去,优先级最低的一般使用sorted(list(entries))[0]。典型加入的元素是一个元祖(优先级, 数据)
下面主要说明的是queue.Queue()
-
构造方法
import queue detail_url_queue = queue.Queue(maxsize=1000)
Queue
是构造方法,函数签名是Queue(maxsize=0)
,其中maxsize
设置队列的大小。 -
实例方法
- Queue.qsize(): 返回queue的近似值。注意:qsize>0 不保证(get)取元素不阻塞。qsize<maxsize不保证(put)存元素不会阻塞
- Queue.empty(): 判断队列是否为空。和上面一样注意
- Queue.full(): 判断是否满了。和上面一样注意
- Queue.put(item, block=True, timeout=None): 往队列里放数据。如果满了的话,blocking = False 直接报 Full异常。如果blocking = True,就是等一会,timeout必须为 0 或正数。None为一直等下去,0为不等,正数n为等待n秒还不能存入,报Full异常。
- Queue.put_nowait(item): 往队列里存放元素,不等待
- Queue.get(item, block=True, timeout=None): 从队列里取数据。如果为空的话,blocking = False 直接报 empty异常。如果blocking = True,就是等一会,timeout必须为 0 或正数。None为一直等下去,0为不等,正数n为等待n秒还不能读取,报empty异常
- Queue.get_nowait(item): 从队列里取元素,不等待两个方法跟踪入队的任务是否被消费者daemon进程完全消费
- Queue.task_done(): 表示队列中某个元素呗消费进程使用,消费结束发送的信息。每个get()方法会拿到一个任务,其随后调用task_done()表示这个队列,这个队列的线程的任务完成。就是发送消息,告诉完成啦!
如果当前的join()当前处于阻塞状态,当前的所有元素执行后都会重启(意味着收到加入queue的每一个对象task_done()调用的信息)
如果调用的次数操作放入队列的items的个数多的话,会触发ValueError异常 - Queue.join(): 一直阻塞直到队列中的所有元素都被取出和执行未完成的个数,只要有元素添加到queue中就会增加。未完成的个数,只要消费者线程调用task_done()表明其被取走,其调用结束。当未完成任务的计数等于0,join()就会不阻塞
使用queue重写之前的代码:
import threading # 导入线程包
from queue import Queue
import time
# 爬取文章详情页
def get_detail_html(detail_url_list, id):
while True:
url = detail_url_list.get()
time.sleep(2) # 延时2s,模拟网络请求
print("thread {id}: get {url} detail finished".format(id=id,url=url))
# 爬取文章列表页
def get_detail_url(queue):
for i in range(10000):
time.sleep(1) # 延时1s,模拟比爬取文章详情要快
queue.put("http://projectedu.com/{id}".format(id=i))
print("get detail url {id} end".format(id=i))
if __name__ == "__main__":
detail_url_queue = Queue(maxsize=1000)
# 先创造两个线程
thread = threading.Thread(target=get_detail_url, args=(detail_url_queue,))
html_thread= []
for i in range(3):
thread2 = threading.Thread(target=get_detail_html, args=(detail_url_queue,i))
html_thread.append(thread2)
start_time = time.time()
# 启动两个线程
thread.start()
for i in range(3):
html_thread[i].start()
# 等待所有线程结束
thread.join()
for i in range(3):
html_thread[i].join()
print("last time: {} s".format(time.time()-start_time))
操作基本一样,只不过queue.Queue()
保证了线程安全。
总结
- 线程间需要通信,使用全局变量需要加锁。
- 使用
queue
模块,可在线程间进行通信,并保证了线程安全。
网友评论