登录
首页 >  文章 >  python教程

Python多线程爬虫教程\_threading实战详解

时间:2026-01-13 19:21:49 357浏览 收藏

大家好,今天本人给大家带来文章《Python多线程爬虫教程\_threading实战详解》,文中内容主要涉及到,如果你对文章方面的知识点感兴趣,那就请各位朋友继续看下去吧~希望能真正帮到你们,谢谢!

Python多线程爬虫应采用Queue+threading.Thread的生产者-消费者模型,合理控制并发数、加锁保护共享资源、添加延时与异常处理,避免被封;I/O密集型任务适用,CPU密集型则选multiprocessing。

Python多线程爬虫怎么写_threading实战说明【教程】

Python多线程爬虫不是靠开一堆线程硬怼,而是用 threading 控制并发节奏,避免被封、减少等待、提升整体抓取效率。关键在合理复用线程、加锁保护共享资源、控制请求频率。

用 Queue + threading.Thread 做任务分发

手动管理线程数量比直接 start() 一堆线程更稳妥。推荐搭配 queue.Queue 实现生产者-消费者模型:

  • 主线程把待爬 URL 放进队列(生产者)
  • 多个工作线程从队列取 URL 并请求(消费者),处理完自动取下一个
  • 队列自带线程安全,不用额外加锁

示例片段:

import threading
import queue
import requests
<p>url_queue = queue.Queue()
results = []</p><p>def worker():
while True:
url = url_queue.get()
if url is None:  # 退出信号
break
try:
resp = requests.get(url, timeout=5)
results.append((url, resp.status_code))
except Exception as e:
results.append((url, f"error: {e}"))
url_queue.task_done()  # 标记完成</p><h1>启动 4 个线程</h1><p>threads = []
for _ in range(4):
t = threading.Thread(target=worker)
t.start()
threads.append(t)</p><h1>添加任务</h1><p>for u in ["<a target='_blank'  href='https://www.17golang.com/gourl/?redirect=MDAwMDAwMDAwML57hpSHp6VpkrqbYLx2eayza4KafaOkbLS3zqSBrJvPsa5_0Ia6sWuR4Juaq6t9nq5roGCUgXuytMyerpV6iZXHe3vUmsyZr5vTk6a8eYanvpGjpn2MhqKu3LOijnmMlbN4cpSSt89pkqp5qLBkep6yo6Nkf42hpLLdyqKBrIXRsot-lpHdz3Y' rel='nofollow'>https://httpbin.org/delay/1</a>", "<a target='_blank'  href='https://www.17golang.com/gourl/?redirect=MDAwMDAwMDAwML57hpSHp6VpkrqbYLx2eayza4KafaOkbLS3zqSBrJvPsa5_0Ia6sWuR4Juaq6t9nq5roGCUgXuytMyerpV6iZXHe3vUmsyZr5vTk6a8eYanvpGjpn2ihqKu3LOijnmMlbN4cpSSt89pkqp5qLBkep6yo6Nkf42hpLLdyqKBrIXRsot-lpHdz3Y' rel='nofollow'>https://httpbin.org/delay/2</a>"]:
url_queue.put(u)</p><p>url_queue.join()  # 等所有任务完成</p><h1>发送退出信号</h1><p>for _ in threads:
url_queue.put(None)
for t in threads:
t.join()
</p>

共享数据要加锁,别让线程抢着写

像写文件、更新全局列表、计数器这类操作,多个线程同时执行会出错(比如少记一次、覆盖数据)。必须用 threading.Lock

  • 定义一个 lock 对象: lock = threading.Lock()
  • 写共享变量前调用 lock.acquire(),写完立刻 lock.release()
  • 更安全写法是用 with lock: 语句,自动释放

例如保存结果到 CSV 文件时:

import csv
lock = threading.Lock()
<p>def save_to_csv(url, status):
with lock:  # 确保同一时间只有一个线程在写
with open("log.csv", "a", newline="") as f:
writer = csv.writer(f)
writer.writerow([url, status])
</p>

别忘加延时和异常兜底,否则容易被反爬

多线程不等于“越快越好”。高频请求会触发目标网站的频率限制或验证码:

  • 每个线程内请求后加 time.sleep(0.5)(根据目标调整)
  • 统一捕获 requests.exceptions.RequestException,避免单个失败导致线程退出
  • 设置合理的 timeout,防止某个 URL 卡死整个线程
  • 考虑加 User-Agent 轮换、Session 复用,进一步降低被识别风险

什么时候别用 threading?

纯 CPU 密集型任务(如解析大量 JSON、计算哈希)用 threading 效果差,因为 CPython 有 GIL;此时应选 multiprocessing。而爬虫本质是 I/O 密集型,threading 正合适——等响应时线程挂起,CPU 可切去干别的。

如果需要更高并发或更优雅的协程支持,可后续升级到 asyncio + aiohttp,但 threading 入门快、逻辑直白,适合中小规模稳定采集。

以上就是《Python多线程爬虫教程\_threading实战详解》的详细内容,更多关于的资料请关注golang学习网公众号!

前往漫画官网入口并下载 ➜
相关阅读
更多>
最新阅读
更多>
课程推荐
更多>