同时在 python 中运行多个线程 - 这可能吗？

Question

我正在编写一个小爬虫，它应该多次获取 URL，我希望所有线程同时运行。

我写了一小段代码应该可以做到这一点。

import thread
from urllib2 import Request, urlopen, URLError, HTTPError


def getPAGE(FetchAddress):
    attempts = 0
    while attempts < 2:
        req = Request(FetchAddress, None)
        try:
            response = urlopen(req, timeout = 8) #fetching the url
            print "fetched url %s" % FetchAddress
        except HTTPError, e:
            print 'The server didn\'t do the request.'
            print 'Error code: ', str(e.code) + "  address: " + FetchAddress
            time.sleep(4)
            attempts += 1
        except URLError, e:
            print 'Failed to reach the server.'
            print 'Reason: ', str(e.reason) + "  address: " + FetchAddress
            time.sleep(4)
            attempts += 1
        except Exception, e:
            print 'Something bad happened in gatPAGE.'
            print 'Reason: ', str(e.reason) + "  address: " + FetchAddress
            time.sleep(4)
            attempts += 1
        else:
            try:
                return response.read()
            except:
                "there was an error with response.read()"
                return None
    return None

url = ("http://www.domain.com",)

for i in range(1,50):
    thread.start_new_thread(getPAGE, url)

从apache日志来看，线程似乎没有同时运行，请求之间有一点间隙，几乎无法检测到，但我可以看到线程并不是真正并行的。

我读过有关 GIL 的内容，有没有办法绕过它而不调用 C\C++ 代码？ 我真的不明白 GIL 是如何实现线程化的？ python 基本上在前一个线程完成后立即解释下一个线程？

谢谢。

Answer 1

正如您所指出的，GIL 通常会阻止 Python 线程并行运行。

然而，情况并非总是如此。一个例外是 I/O 密集型代码。当线程等待 I/O 请求完成时，它通常会在进入等待之前释放 GIL。这意味着其他线程可以同时取得进展。

然而，一般来说， multiprocessing 是更安全的选择需要并行性。

Answer 2

我读过有关 GIL 的内容，有没有办法绕过它而不调用 C\C++ 代码？

并不真地。通过 ctypes 调用的函数将在这些调用期间释放 GIL。执行阻塞 I/O 的函数也会释放它。还有其他类似的情况，但它们总是涉及主 Python 解释器循环之外的代码。你不能放弃 Python 代码中的 GIL。

Answer 3

您可以使用这样的方法来创建所有线程，让它们等待条件对象，然后让它们开始“同时”获取 url：

#!/usr/bin/env python
import threading
import datetime
import urllib2

allgo = threading.Condition()

class ThreadClass(threading.Thread):
    def run(self):
        allgo.acquire()
        allgo.wait()
        allgo.release()
        print "%s at %s\n" % (self.getName(), datetime.datetime.now())
        url = urllib2.urlopen("http://www.ibm.com")

for i in range(50):
    t = ThreadClass()
    t.start()

allgo.acquire()
allgo.notify_all()
allgo.release()

这会让您更接近完成所有获取但是：

• 离开您的计算机的网络数据包将按顺序沿着以太网线传输，而不是同时发生，
• 即使您的计算机上有 16 个以上的核心，某些路由器，桥接器、调制解调器或其他您的计算机和 Web 主机之间的设备可能具有较少的内核，并且可能会序列化您的请求，
• 您从中获取内容的 Web 服务器将使用 accept() 调用来响应您的请求。为了获得正确的行为，这是使用服务器全局锁来实现的，以确保只有一个服务器进程/线程响应您的查询。即使您的某些请求同时到达服务器，这也会导致一些序列化。

您可能会让您的请求在更大程度上重叠（即其他请求在某些完成之前开始），但您永远不会让所有请求同时开始在服务器上。

Answer 4

你还可以看看 pypy 的未来，我们将拥有软件过渡内存（从而废除 GIL）。目前这只是研究和智力嘲笑，但它可能会发展成为大事。

Answer 5

如果您使用 Jython 或 IronPython（将来可能还有 PyPy）运行代码，它将并行运行