python 多线程/多进程代码

Question

在下面的代码中，我正在考虑使用多线程或多进程从 url 获取数据。我认为池是理想的，任何人都可以帮忙建议解决方案吗？

想法：池线程/进程，收集数据……我的偏好是进程优于线程，但不确定。

import urllib

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    data_fp = fetch_quote(symbols)
#    print data_fp
if __name__ =='__main__':
    main()

Answer 1

您有一个同时请求多个信息的流程。让我们尝试一一获取这些信息。您的代码将是：

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ == "__main__":
    main()

所以 main() 调用，逐一获取每个 url 的数据。
让我们用一个池来对其进行多处理：

import urllib
from multiprocessing import Pool

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')

def fetch_quote(symbols):
    url = URL % '+'.join(symbols)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data

def main():
    for symbol in symbols:
        data_fp = fetch_quote((symbol,))
        print data_fp

if __name__ =='__main__':
    pool = Pool(processes=5)
    for symbol in symbols:
        result = pool.apply_async(fetch_quote, [(symbol,)])
        print result.get(timeout=1)

在下面的 main 中，将创建一个新进程来请求每个符号 url。

注意：在 python 上，由于存在 GIL，多线程通常被认为是一个错误的解决方案。

有关文档，请参阅：Python 中的多处理

Answer 2

这是一个非常简单的例子。它迭代符号，每次传递一个符号到 fetch_quote。

import urllib
import multiprocessing

URL = "http://download.finance.yahoo.com/d/quotes.csv?s=%s&f=sl1t1v&e=.csv"
symbols = ('GGP', 'JPM', 'AIG', 'AMZN','GGP', 'JPM', 'AIG', 'AMZN')
#symbols = ('GGP')

def fetch_quote(symbol):
    url = URL % '+'.join(symbol)
    fp = urllib.urlopen(url)
    try:
        data = fp.read()
    finally:
        fp.close()
    return data


def main():

    PROCESSES = 4
    print 'Creating pool with %d processes\n' % PROCESSES
    pool = multiprocessing.Pool(PROCESSES)
    print 'pool = %s' % pool
    print

    results = [pool.apply_async(fetch_quote, sym) for sym in symbols]

    print 'Ordered results using pool.apply_async():'
    for r in results:
        print '\t', r.get()

    pool.close()
    pool.join()

if __name__ =='__main__':
    main()

Answer 3

事实上，两者都不做也是可以做到的。您可以使用异步调用在一个线程中完成此操作，例如来自 Twisted Web。

Answer 4

正如你所知，由于 GIL，Python 中的多线程实际上并不是多线程。本质上它是在给定时间运行的单个线程。因此，在您的程序中，如果您希望在任何给定时间获取多个 url，多线程可能不是最佳选择。另外，在抓取之后，您将数据存储在单个文件或某个持久数据库中吗？这里的决定可能会影响你的表现。

多进程这样效率更高，但有时间和时间。额外进程产生的内存开销。我最近在 Python 中探索了这两个选项。这是网址（带有代码） -

python ->多处理模块