Python实现生产者消费者模式（多线程爬虫）

1.多组件的Pipeline技术架构

复杂的事情一般都不会一下子做完，而是会分很多中间步骤一步步完成。

2.生产者消费者爬虫的架构

3.多线程数据通信的 queue.Queue

queue.Queue 可以用于多线程之间的、线程安全的数据通信。简单来说，线程安全指的是多个线程并发同时访问数据不会出现数据冲突。

# 导入
import queue

# 创建
q = queue.Queue()

# 添加元素
q.put(item)

# 获取元素
item = q.get()

# 查看元素的多少
q.qsize()

# 判空
q.empty()

# 判满
q.full()

4.代码编写实现生产者消费者爬虫

基础版：blog_spider.py

import requests
from bs4 import BeautifulSoup

urls = [f'https://www.cnblogs.com/#{page}' for page in range(1, 51)]

# 生产者
def craw(url):
    r = requests.get(url)
    return r.text

# 消费者
def parse(html):
    soup = BeautifulSoup(html, "html.parser")
    links = soup.find_all("a", class_="post-item-title")
    return [(link["href"], link.get_text()) for link in links]

if __name__ == "__main__":
    for result in parse(craw(urls[2])):
        print(result)

开始多线程爬虫。

import queue
import blog_spider
import time
import random
import threading

生产者：将每一个连接获取的 html文本 存入 html_queue。

def do_craw(url_queue: queue.Queue, html_queue: queue.Queue):
    while True:
        url = url_queue.get()
        html = blog_spider.craw(url)
        html_queue.put(html)
        # 打印相关日志
        print(threading.current_thread().name, f"craw {url}",
              "url_queue.size=", url_queue.qsize())
        time.sleep(random.randint(1, 2))

消费者：解析 html_queue 中的每一个 html文本，获取文章链接和标题，并存入文档中。

def do_parse(html_queue: queue.Queue, fout):
    while True:
        html = html_queue.get()
        results = blog_spider.parse(html)
        for result in results:
            fout.write(str(result) + "\n")
        # 打印当前线程名字
        print(threading.current_thread().name, f"results.size", len(results),
                "html_queue.size=", html_queue.qsize())
        time.sleep(random.randint(1, 2))

生产-消费：设置 3 个生产者进程，2 个消费者进程。

if __name__ == "__main__":
    url_queue = queue.Queue()
    html_queue = queue.Queue()
    for url in blog_spider.urls:
        url_queue.put(url)

    for idx in range(3):
        t = threading.Thread(target=do_craw, args=(url_queue, html_queue), name=f"craw{idx}")
        t.start()

    fout = open("02.data.txt", 'w')
    for idx in range(2):
        t = threading.Thread(target=do_parse, args=(html_queue, fout), name=f"parse{idx}")
        t.start()

控制台上的打印信息。

最后看一下写入到文本中的内容。