一、为什么需要多线程爬虫？
想象你在图书馆同时借阅100本书。单线程模式就像排着长队一本本办理借阅手续，而多线程相当于让多个馆员同时为你服务。在数据采集场景中，当需要抓取大量网页时，单线程顺序请求会浪费大量时间在等待服务器响应上。多线程通过并行处理请求，能显著提升采集效率。
二、基础模板结构解析
import threading
import requests
from queue import Queue
import time
class WebCrawler:
def __init__(self, max_threads=5):
self.url_queue = Queue()
self.max_threads = max_threads
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
}
self.session = requests.Session()
def add_url(self, url):
self.url_queue.put(url)
def worker(self):
while not self.url_queue.empty():
url = self.url_queue.get()
try:
response = self.session.get(url, headers=self.headers, timeout=10)
if response.status_code == 200:
self.process_page(response.text)
self.url_queue.task_done()
except Exception as e:
print(f"抓取失败 {url}: {str(e)}")
self.url_queue.task_done()
def process_page(self, html):
# 在此处实现页面解析逻辑
pass
def start(self):
threads = []
for _ in range(self.max_threads):
t = threading.Thread(target=self.worker)
t.start()
threads.append(t)
for t in threads:
t.join()
if __name__ == "__main__":
crawler = WebCrawler(max_threads=8)
# 添加初始URL
crawler.add_url("https://example.com")
# 启动爬虫
start_time = time.time()
crawler.start()
print(f"耗时: {time.time()-start_time:.2f}秒")
三、核心组件逐层拆解
1. 任务队列（Queue）
- 线程安全的先进先出结构
- 自动处理线程同步问题
- 通过task_done()标记任务完成
- 监控队列状态：qsize(), empty(), full()
2. 线程池管理
- 动态创建指定数量的工作线程
- daemon=True设置守护线程（主程序退出时自动终止）
- 通过join()等待所有线程完成
3. 会话保持（Session）
- 复用TCP连接提升性能
- 自动处理Cookie持久化
- 相比单次请求，可减少30%+的连接开销
4. 请求配置优化
# 典型优化配置
self.session = requests.Session()
adapter = requests.adapters.HTTPAdapter(
pool_connections=50,
pool_maxsize=100,
max_retries=3
)
self.session.mount('http://', adapter)
self.session.mount('https://', adapter)
四、实战中的关键技巧
1. 动态URL生成策略
# 示例：分页URL生成
base_url = "https://example.com/page/{}"
for page in range(1, 101):
self.add_url(base_url.format(page))
2. 请求间隔控制
import random
import time
def smart_delay():
# 随机间隔（1-3秒）
time.sleep(random.uniform(1, 3))
def worker(self):
while not self.url_queue.empty():
smart_delay()
# 原有抓取逻辑...
3. 代理服务器支持
proxies = {
"http": "http://10.10.1.10:3128",
"https": "http://10.10.1.10:1080"
}
response = self.session.get(url, proxies=proxies, timeout=10)
五、异常处理体系
1. 三级容错机制
- 请求级：设置超时（timeout参数）
- 响应级：检查状态码（200-299为有效）
- 解析级：try-except包裹解析代码
2. 失败重试策略
from requests.adapters import HTTPAdapter
from urllib3.util.retry import Retry
retry_strategy = Retry(
total=3,
backoff_factor=1,
status_forcelist=[429, 500, 502, 503, 504]
)
adapter = HTTPAdapter(max_retries=retry_strategy)
self.session.mount('https://', adapter)
self.session.mount('http://', adapter)
六、性能优化方向
1. 连接池配置
- pool_connections：目标主机最大连接数
- pool_maxsize：连接池最大容量
- 典型配置：pool_connections=100, pool_maxsize=200
2. DNS缓存优化
import requests
from requests.packages.urllib3.util import connection
# 禁用DNS缓存（适用于动态IP场景）
connection.HTTPConnection.default_socket_options = (
connection.HTTPConnection.default_socket_options +
[(socket.SOL_SOCKET, socket.SO_REUSEADDR, 1)]
)
3. 并发数选择原则
理论值：max_threads = (CPU核心数 * 2) + 1
实际调整依据：
- 目标网站抗并发能力
- 本地网络带宽
- 反爬策略限制
七、反爬对抗策略
1. 请求头伪装
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml",
"Accept-Language": "zh-CN,zh;q=0.9",
"Referer": "https://www.google.com/"
}
2. 浏览器指纹模拟
- 使用fake_useragent库随机生成UA
- 补充Accept-Encoding、Connection等次要头信息
- 考虑使用selenium驱动真实浏览器（极端场景）
3. 行为模拟
- 随机点击延迟（1-3秒）
- 模拟滚动操作（触发AJAX加载）
- 处理JavaScript渲染内容（配合pyppeteer）
八、完整工作流程示例
class ECommerceCrawler(WebCrawler):
def __init__(self):
super().__init__(max_threads=10)
self.base_url = "https://demo-store.com/products?page={}"
self.items = []
def add_initial_urls(self):
for page in range(1, 51):
self.add_url(self.base_url.format(page))
def process_page(self, html):
# 解析商品列表
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
for item in soup.select('.product-item'):
product = {
'name': item.select_one('.title').text.strip(),
'price': item.select_one('.price').text.strip(),
'url': item.select_one('a')['href']
}
self.items.append(product)
# 添加详情页到队列
self.add_url(product['url'])
def save_data(self):
import pandas as pd
df = pd.DataFrame(self.items)
df.to_csv('products.csv', index=False, encoding='utf-8-sig')
if __name__ == "__main__":
crawler = ECommerceCrawler()
crawler.add_initial_urls()
crawler.start()
crawler.save_data()
九、常见问题解决方案
Q1: 线程数越多越快吗？
A：并非如此。超过服务器承受能力会触发反爬机制，实际测试表明，合理值通常在8-20之间。
Q2: 如何处理JavaScript渲染内容？
A：轻量级方案使用requests-html库，复杂场景建议：
- 使用selenium驱动无头浏览器
- 采用pyppeteer库（异步版Puppeteer）
- 分析XHR请求直接获取API数据
Q3: 遇到验证码怎么办？
A：基础应对策略：
- 降低请求频率
- 使用代理IP池
- 集成第三方打码平台（如2Captcha）
十、模板升级方向
- 添加异步支持（aiohttp + asyncio）
- 集成分布式架构（Redis队列 + 多机部署）
- 实现可视化监控面板（Prometheus + Grafana）
- 增加自动限流功能（基于令牌桶算法）
这个模板框架经过实际项目验证，在合理配置下可比单线程方案提升5-10倍采集效率。使用时需注意遵守目标网站的robots.txt协议，控制请求频率避免对服务器造成过大压力。建议从少量线程开始测试，逐步调整至最佳性能平衡点。
