python爬虫线程，进程，协程

0x00 线程

线程是一个执行单位，是在一个进程里面的，是共享进程里面的提供的内存等资源，使用多个线程时和使用多个进程相比，多个线程使用的内存等资源较少。进程像一座“房子”（独立资源），线程是房子里的“房间活动”（共享资源但独立执行）。

进程是一个资源单位，比如说各种运行的应用程序，每个应用程序就是一个进程。
多进程会占用较多的内存资源，一般适用cpu密集型操作，如图像处理，视频编码等，这里不做介绍了。
下面的代码是一个单线程运行的

import requests
url=''
requests.get(url)

多线程的使用

import threading
def task(a):print(f"a子线程")
if __name__ == '__main__':s=threading.Thread(target=task, kwargs={"a":"bbb"})#通过字典传递函数的参数s.run()print("aaa")

创建一个线程为50的线程池

from concurrent.futures import ThreadPoolExecutor
def task():for i in range(1,1000):print(i)
if __name__ == '__main__':#创建一个50线程的with ThreadPoolExecutor(50) as t:t.submit(task)

实例爬取菜价在这里插入图片描述
通过分析，发现源码里面并没有，network 格式选择xhr，找到了最终的数据，通过分析发现是post提交的数据，current等于几就是第几页

from concurrent.futures import ThreadPoolExecutor
import requests
url='http://www.xinfadi.com.cn/getPriceData.html'
def download(count):data={"current":count,"limit":"20"}rep=requests.post(url=url,data=data)dic=rep.json()for i in range(0,20):#注意这里是字典夹杂着列表name=dic['list'][i ]['prodName']price=dic['list'][i]['avgPrice']with open("4.csv","a+") as f:f.write(f"菜名:{name}")f.write(f"平均价:{price}")f.write("\n")
if __name__ == '__main__':with ThreadPoolExecutor(50) as t:for i in range(1,50):t.submit(download,count=i)

在这里插入图片描述

0x01协程

协程（Coroutine）是一种用户态的轻量级线程，通过协作式多任务实现高效并发，一般多用于io密集型操作，网络请求、文件读写等。
多线程：通过操作系统调度多个线程并行执行，属于并发的一种形式。
异步：单线程内通过事件循环调度多个任务，属于并发模型，特点是单线程高并发。

#定义协程
import asyncio
async def fetch_data():print("发起请求...")await asyncio.sleep(1)  # 模拟异步I/Otime.sleep(1)#同步错误用法print("数据返回")return {"data": 42}

案列爬取小说
分析网页，发现内容都在源代码中，这里选用xpath解析器，将小说内容保存到txt文件中去

import aiohttp
import asyncio
from lxml import etree
import osheaders = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
async def fetch(url):async with aiohttp.ClientSession() as session:async with session.get(url, headers=headers) as response:response.encoding = "utf-8"return await response.text()
async def parse_down(url):text = await fetch(url)html=etree.HTML(text)title=html.xpath("//h1/text()")contents=html.xpath("//div[@id='chaptercontent']/text()")os.makedirs("novels", exist_ok=True)filename = f"{title[0]}.txt"filepath = os.path.join("novels", filename)with open(filepath,"w+",encoding='utf-8') as f:f.write(title[0]+'\n\n')for content in contents:f.write(content.strip().replace("请收藏本站：https://www.bibie.cc。笔趣阁手机版：https://m.bibie.cc", "")+'\n')
async def main():tasks = []for i in range(1, 517):url = f'https://www.bibie.cc/html/229506/{i}.html'tasks.append(parse_down(url))await asyncio.gather(*tasks)print("爬取完成")
if __name__ == '__main__':try:asyncio.run(main())except Exception as e:print("")