Python - 多个同时线程池

Question

我正在用 python 编写一个网络抓取工具，使用 httplib2 和 lxml(是的 - 我知道我可以使用 scrapy。让我们过去吧......)这个抓取工具有大约 15000 个页面可以解析成大约 400,000 个项目。我已经得到了解析项目的代码以立即(几乎)运行，但是从服务器下载页面的部分仍然非常慢。我想通过并发来克服这个问题。但是，我不能依赖每次都需要解析的每个页面。我尝试过使用单个 ThreadPool(如 multiprocessing.pool，但使用线程完成 - 这应该没问题，因为这是一个 I/O 绑定(bind)进程)，但我想不出一种优雅(或有效)的方式来获取当最后一个索引项的日期大于我们正在处理的项目时，所有线程都将停止。现在，我正在研究一种使用 ThreadPool 的两个实例的方法 - 一个用于下载每个页面，另一个用于解析页面。一个简化的代码示例是:

#! /usr/bin/env python2

import httplib2
from Queue import PriorityQueue
from multiprocessing.pool import ThreadPool
from lxml.html import fromstring

pages = [x for x in range(1000)]
page_queue = PriorityQueue(1000)

url = "http://www.google.com"

def get_page(page):
    #Grabs google.com
    h = httplib2.Http(".cache")
    resp, content = h.request(url, "GET")
    tree = fromstring(str(content), base_url=url)
    page_queue.put((page, tree))
    print page_queue.qsize()

def parse_page():
    page_num, page = page_queue.get()
    print "Parsing page #" + str(page_num)
    #do more stuff with the page here
    page_queue.task_done()

if __name__ == "__main__":
    collect_pool = ThreadPool()
    collect_pool.map_async(get_page, pages)
    collect_pool.close()

    parse_pool = ThreadPool()
    parse_pool.apply_async(parse_page)
    parse_pool.close()


     parse_pool.join()
     collect_pool.join()
     page_queue.join()

然而，运行这段代码并没有达到我的预期——即触发两个线程池:一个填充队列，另一个从队列中拉出进行解析。它开始收集池并运行它，然后开始 parse_pool 并运行它(我假设，我没有让代码运行足够长的时间来到达 parse_pool - 关键是 collect_pool 似乎正在运行).我很确定我搞砸了对 join() 的调用顺序，但我终究无法弄清楚它们应该采用的顺序。我的问题基本上是这样的:我在这里吠叫正确的树吗？如果是这样，我到底做错了什么？如果我不是 - 你的建议是什么

Answer 1

首先，您的设计在高层次上似乎是正确的。 httlib2 模块的同步特性证明了使用线程池收集页面是合理的。 (对于异步库，一个线程就足够了；请注意，即使使用 httplib2 和池，由于 GIL，任何时候也最多有一个收集器线程在运行。)解析池由用 C/C/编写的 lxml 模块证明是合理的C++(并假设 Global Interpreter Lock 在页面解析期间被释放 - 这将在 lxml 文档或代码中检查!)。如果后一种情况不成立，那么拥有专用解析池将不会带来性能提升，因为只有一个线程能够获取 GIL。在这种情况下，最好使用进程池。

我不熟悉 ThreadPool 实现，但我认为它类似于多处理模块中的 Pool 类。在此基础上，问题似乎是您只为 parse_pool 创建了一个工作项，并且在 parse_page 处理第一页之后，它从不尝试从那里出列更多页面。其他工作项也不会提交到该池，因此处理停止，并且在 parse_pool.close() 调用后(空)池的线程终止。

解决办法是消除page_queue。 get_page() 函数应该通过为它收集的每个页面调用 apply_async() 将一个工作项放在 parse_pool 上，而不是将它们送入 page_queue。

主线程应该等到 collect_queue 为空(即返回 collect_pool.join() 调用)，然后它应该关闭 parse_pool(因为我们可以确定不会为解析器提交更多工作)。然后它应该通过调用 parse_pool.join() 等待 parse_pool 变空然后退出。

此外，您需要增加 connect_pool 中的线程数，以便并发处理更多的 http 请求。池中线程的默认数量是 CPU 的数量；目前你不能发出超过那么多的请求。您可以试验高达几千或一万的值；观察池的 CPU 消耗；它不应接近 1 个 CPU。