python - 页面链接和该子页面的链接。递归/线程

Question

我正在制作一个用于下载网站内容的函数，然后在该站点中查找链接，对于每个链接，我都递归调用相同的函数，直到第7级为止。问题是，这需要花费很多时间，因此我一直在寻找使用线程池来管理此调用的方法，但我不知道如何准确地将这些任务划分为线程池。

这是我的实际代码，没有线程池。

import requests
import re

url = 'https://masdemx.com/category/creatividad/?fbclid=IwAR0G2AQa7QUzI-fsgRn3VOl5oejXKlC_JlfvUGBJf9xjQ4gcBsyHinYiOt8'


def searchLinks(url,level):
    print("level: "+str(level))
    if(level==3):
        return 0

    response = requests.get(url)
    enlaces = re.findall(r'<a href="(.*?)"',str(response.text))

    for en in enlaces:
        if (en[0] == "/" or en[0]=="#"):
            en= url+en[1:]
        print(en)
        searchLinks(en,level+1)


searchLinks(url,1)

Answer 1

对于初学者，请注意，这可能是一个很大的操作。例如，如果每个页面平均只有10个唯一链接，则要递归7层深度，则您正在查看超过1000万个请求。
另外，我将使用像BeautifulSoup这样的HTML解析库而不是regex，这是一种抓取HTML的脆弱方法。避免打印到标准输出，这也会减慢工作速度。
至于线程，一种方法是使用工作队列。 Python的queue class是线程安全的，因此您可以创建一个工作线程池来轮询以从队列中检索URL。当线程获取URL时，它会找到页面上的所有链接，并将相关的URL(或页面数据，如果您愿意)附加到全局列表(在CPython上为thread-safe operation)；对于其他实现，请在共享数据结构)。 URL已排队在工作队列中，并且过程继续进行。
当级别达到0时，线程退出，因为我们使用的是BFS而不是使用堆栈的DFS。这里(可能是安全的)假设是链接的级别比深度更多。
并行性来自于线程阻塞了等待请求响应的线程，从而使CPU可以运行另一个响应到达的线程来执行HTML解析和队列工作。
如果您想在多个内核上运行以帮助并行化工作负载的CPU约束部分，请添加read this blog post about the GIL并查看生成程序。但是仅线程就可以为您提供并行化的许多方法，因为瓶颈是受I/O约束的(等待HTTP请求)。
这是一些示例代码:

import queue
import requests
import threading
import time
from bs4 import BeautifulSoup

def search_links(q, urls, seen):
    while 1:
        try:
            url, level = q.get()
        except queue.Empty:
            continue

        if level <= 0:
            break

        try:
            soup = BeautifulSoup(requests.get(url).text, "lxml")

            for x in soup.find_all("a", href=True):
                link = x["href"]

                if link and link[0] in "#/":
                    link = url + link[1:]

                if link not in seen:
                    seen.add(link)
                    urls.append(link)
                    q.put((link, level - 1))
        except (requests.exceptions.InvalidSchema, 
                requests.exceptions.ConnectionError):
            pass

if __name__ == "__main__":
    levels = 2
    workers = 10
    start_url = "https://masdemx.com/category/creatividad/?fbclid=IwAR0G2AQa7QUzI-fsgRn3VOl5oejXKlC_JlfvUGBJf9xjQ4gcBsyHinYiOt8"
    seen = set()
    urls = []
    threads = []
    q = queue.Queue()
    q.put((start_url, levels))
    start = time.time()
    
    for _ in range(workers):
        t = threading.Thread(target=search_links, args=(q, urls, seen))
        threads.append(t)
        t.daemon = True
        t.start()
    
    for thread in threads:
        thread.join()
    
    print(f"Found {len(urls)} URLs using {workers} workers "
          f"{levels} levels deep in {time.time() - start}s")

这是在我不是特别快的机器上运行的一些示例:

$ python thread_req.py
Found 762 URLs using 15 workers 2 levels deep in 33.625585317611694s
$ python thread_req.py
Found 762 URLs using 10 workers 2 levels deep in 42.211519956588745s
$ python thread_req.py
Found 762 URLs using 1 workers 2 levels deep in 105.16120409965515s

在这种小批量生产中，性能提高了3倍。在较大的运行量中，我遇到了最大的请求错误，因此这只是一个玩具示例。