Skip to main content
 Web开发网 » 编程语言 » Python语言

Python爬虫必备:一文看懂分布式进程

2021年11月27日5860百度已收录

导读:分布式进程指的是将Process进程分布到多台机器上,充分利用多台机器的性能完成复杂的任务。我们可以将这一点应用到分布式爬虫的开发中。

作者:范传辉

如需转载请联系华章科技

分布式进程在Python中依然要用到multiprocessing模块。multiprocessing模块不但支持多进程,其中managers子模块还支持把多进程分布到多台机器上。可以写一个服务进程作为调度者,将任务分布到其他多个进程中,依靠网络通信进行管理。

举个例子:在做爬虫程序时,常常会遇到这样的场景,我们想抓取某个网站的所有图片,如果使用多进程的话,一般是一个进程负责抓取图片的链接地址,将链接地址存放到Queue中,另外的进程负责从Queue中读取链接地址进行下载和存储到本地。

现在把这个过程做成分布式,一台机器上的进程负责抓取链接,其他机器上的进程负责下载存储。那么遇到的主要问题是将Queue暴露到网络中,让其他机器进程都可以访问,分布式进程就是将这一个过程进行了封装,我们可以将这个过程称为本地队列的网络化。整体过程如图1-24所示。

Python爬虫必备:一文看懂分布式进程  Python分布式计算 第1张

▲图1-24 分布式进程

要实现上面例子的功能,创建分布式进程需要分为六个步骤:

建立队列Queue,用来进行进程间的通信。服务进程创建任务队列task_queue,用来作为传递任务给任务进程的通道;服务进程创建结果队列result_queue,作为任务进程完成任务后回复服务进程的通道。在分布式多进程环境下,必须通过由Queuemanager获得的Queue接口来添加任务。把第一步中建立的队列在网络上注册,暴露给其他进程(主机),注册后获得网络队列,相当于本地队列的映像。建立一个对象(Queuemanager(BaseManager))实例manager,绑定端口和验证口令。启动第三步中建立的实例,即启动管理manager,监管信息通道。通过管理实例的方法获得通过网络访问的Queue对象,即再把网络队列实体化成可以使用的本地队列。创建任务到“本地”队列中,自动上传任务到网络队列中,分配给任务进程进行处理。接下来通过程序实现上面的例子(Linux版),首先编写的是服务进程(taskManager.py),代码如下:

import random,time,Queuefrom multiprocessing.managers import BaseManager# 第一步:建立task_queue和result_queue,用来存放任务和结果task_queue=Queue.Queue()result_queue=Queue.Queue()class Queuemanager(BaseManager): pass# 第二步:把创建的两个队列注册在网络上,利用register方法,callable参数关联了Queue对象,# 将Queue对象在网络中暴露Queuemanager.register('get_task_queue',callable=lambda:task_queue)Queuemanager.register('get_result_queue',callable=lambda:result_queue)# 第三步:绑定端口8001,设置验证口令‘qiye’。这个相当于对象的初始化manager=Queuemanager(address=('',8001),authkey='qiye')# 第四步:启动管理,监听信息通道manager.start()# 第五步:通过管理实例的方法获得通过网络访问的Queue对象task=manager.get_task_queue()result=manager.get_result_queue()# 第六步:添加任务for url in ["ImageUrl_"+i for i in range(10)]: print 'put task %s ...' %url task.put(url)# 获取返回结果print 'try get result...'for i in range(10): print 'result is %s' %result.get(timeout=10)# 关闭管理manager.shutdown()任务进程已经编写完成,接下来编写任务进程(taskWorker.py),创建任务进程的步骤相对较少,需要四个步骤:

使用QueueManager注册用于获取Queue的方法名称,任务进程只能通过名称来在网络上获取Queue。连接服务器,端口和验证口令注意保持与服务进程中完全一致。从网络上获取Queue,进行本地化。从task队列获取任务,并把结果写入result队列。程序taskWorker.py代码(win/linux版)如下:

# coding:utf-8import timefrom multiprocessing.managers import BaseManager# 创建类似的QueueManager:class QueueManager(BaseManager): pass# 第一步:使用QueueManager注册用于获取Queue的方法名称QueueManager.register('get_task_queue')QueueManager.register('get_result_queue')# 第二步:连接到服务器:server_addr = '127.0.0.1'print('Connect to server %s...' % server_addr)# 端口和验证口令注意保持与服务进程完全一致:m = QueueManager(address=(server_addr, 8001), authkey='qiye')# 从网络连接:m.connect()# 第三步:获取Queue的对象:task = m.get_task_queue()result = m.get_result_queue()# 第四步:从task队列获取任务,并把结果写入result队列:while(not task.empty()): image_url = task.get(True,timeout=5) print('run task download %s...' % image_url) time.sleep(1) result.put('%s--->success'%image_url)# 处理结束:print('worker exit.')最后开始运行程序,先启动服务进程taskManager.py,运行结果如下:

put task ImageUrl_0 ...put task ImageUrl_1 ...put task ImageUrl_2 ...put task ImageUrl_3 ...put task ImageUrl_4 ...put task ImageUrl_5 ...put task ImageUrl_6 ...put task ImageUrl_7 ...put task ImageUrl_8 ...put task ImageUrl_9 ...try get result...接着再启动任务进程taskWorker.py,运行结果如下:

Connect to server 127.0.0.1...run task download ImageUrl_0...run task download ImageUrl_1...run task download ImageUrl_2...run task download ImageUrl_3...run task download ImageUrl_4...run task download ImageUrl_5...run task download ImageUrl_6...run task download ImageUrl_7...run task download ImageUrl_8...run task download ImageUrl_9...worker exit.当任务进程运行结束后,服务进程运行结果如下:

result is ImageUrl_0--->successresult is ImageUrl_1--->successresult is ImageUrl_2--->successresult is ImageUrl_3--->successresult is ImageUrl_4--->successresult is ImageUrl_5--->successresult is ImageUrl_6--->successresult is ImageUrl_7--->successresult is ImageUrl_8--->successresult is ImageUrl_9--->success其实这就是一个简单但真正的分布式计算,把代码稍加改造,启动多个worker,就可以把任务分布到几台甚至几十台机器上,实现大规模的分布式爬虫。

注:由于平台的特性,创建服务进程的代码在Linux和Windows上有一些不同,创建工作进程的代码是一致的。

taskManager.py程序在Windows版下的代码如下:

# coding:utf-8# taskManager.py for windowsimport Queuefrom multiprocessing.managers import BaseManagerfrom multiprocessing import freeze_support# 任务个数task_number = 10# 定义收发队列task_queue = Queue.Queue(task_number);result_queue = Queue.Queue(task_number);def get_task(): return task_queuedef get_result(): return result_queue# 创建类似的QueueManager:class QueueManager(BaseManager): passdef win_run(): # Windows下绑定调用接口不能使用lambda,所以只能先定义函数再绑定 QueueManager.register('get_task_queue',callable = get_task) QueueManager.register('get_result_queue',callable = get_result) # 绑定端口并设置验证口令,Windows下需要填写IP地址,Linux下不填默认为本地 manager = QueueManager(address = ('127.0.0.1',8001),authkey = 'qiye') # 启动 manager.start() try: # 通过网络获取任务队列和结果队列 task = manager.get_task_queue() result = manager.get_result_queue() # 添加任务 for url in ["ImageUrl_"+str(i) for i in range(10)]: print 'put task %s ...' %url task.put(url) print 'try get result...' for i in range(10): print 'result is %s' %result.get(timeout=10) except: print('Manager error') finally: # 一定要关闭,否则会报管道未关闭的错误 manager.shutdown()if __name__ == '__main__': # Windows下多进程可能会有问题,添加这句可以缓解 freeze_support() win_run()关于作者:范传辉,资深网虫,Python开发者,参与开发了多项网络应用,在实际开发中积累了丰富的实战经验,并善于总结,贡献了多篇技术文章广受好评。研究兴趣是网络安全、爬虫技术、数据分析、驱动开发等技术。

本文摘编自《Python爬虫开发与项目实战》,经出版方授权发布。

Python爬虫必备:一文看懂分布式进程  Python分布式计算 第2张

延伸阅读《Python爬虫开发与项目实战》

推荐语:零基础学习爬虫技术,从Python和Web前端基础开始讲起,由浅入深,包含大量案例,实用性强。

评论列表暂无评论
发表评论
微信