保留] 用多线程和持续连接实现高速WEB请求

我经常需要提取大量的（1500页以上）网页数据，曾尝试过很多方法，虽然都能实现，但效率都不是太高。

刚开始用LWP::Simple（get）按顺序边下载边提取，这种方法很容易控制，也很可靠，下载中途中断了可以通过检查数据的完整性断点续传，下载的网页数据并不存入本地硬盘，仅存储提取后的少量数据，硬盘操作少，但下载效率很低；

为了加快下载速度，考虑用第三方下载软件先下载网页数据，再用程序从已下载的网页中提取数据。所以开始使用Teleport下载网页数据，Teleport支持多线程下载，速度提高了至少3－5倍。但用Teleport下载大量网页的时候，也会有下载失败的情况，程序本身并不自动检测并重新下载，通常需要手工重复下载一次以检验数据的完整性，这需要额外消耗一些时间。这种方法效率较高，也很稳定，我使用了很长时间；

后来在CU论坛看到仙子发的多线程模型，就将自己的代码改造成多线程下载，效率比Teleport快了不少，但仙子给的多线程模型很难控制，下载过程中经常发呆很久，下载失败率很高（10%左右），下载失败的任务无法再继续通过多线程下载（我没找到方法），不能即时显示下载进度，在下载后期经常假死，处于无限期等待状态，程序不再继续运行，不得不手工关闭。仙子发的多进程模型也尝试过，多线程中的问题，多进程同样存在，而且资源消耗非常大。所以不得不放弃，曾对PERL的多线程和多进程不抱希望；

再后来，Perl China官方QQ群群主莫言给了个终极解决方案，使用LWP::ConnCache建立持续连接，并结合多线程（线程池方式）实现高速WEB数据请求。这种方案非常高效，下载速度是Teleport的3－5倍，而且易于控制，能即时显示下载进度。

现共享给大家，以求共同进步。

（以下代码以请求1000次百度主页为例，下载测试环境为：XP，ActivePerl 5.10.1007，1M电信宽带，测试数据仅供参考）

1.顺序请求，不使用持续连接，程序每请求一次需要与服务器新建一次连接，这会耗费大量时间，平均下载速度约为每秒0.7次；

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use LWP::UserAgent;
   
6. use Benchmark;
   
7. my $TT0 = new Benchmark;
   
8. 
   
9. my $url = "";
   
10. my $request_times = 1000;
    
11. 
    
12. print "\n Now begin testing ... \n";
    
13. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
14. 
    
15. for(1..$request_times) {
    
16.         my $request = HTTP::Request->new(GET=>$url);
    
17.         $request->header(Accept=>'text/html');
    
18.         my $response = $lwp->request($request);
    
19.          if ($response->is_success) {
    
20.                  print " $_\tOK!\n";
    
21.          }
    
22.          else {
    
23.                  print " $_\tFaild!\n";
    
24.                  redo;
    
25.          }
    
26. }
    
27. my $TT1 = new Benchmark;
    
28. my $td = Benchmark::timediff($TT1, $TT0);
    
29. $td = Benchmark::timestr($td);
    
30. my ($sec) = ($td =~ /(\d+).*/);
    
31. my $speed = sprintf("%0.1f",$request_times/$sec);
    
32. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
33. 
    
34. ;

复制代码

2.顺序请求，使用持续连接，向同一服务器多次发送请求仅需建立一次连接，平均下载速度约为每秒7.2次，下载效率有明显提高；

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use LWP::UserAgent;
   
6. use LWP::ConnCache;
   
7. use Benchmark;
   
8. my $TT0 = new Benchmark;
   
9. 
   
10. my $url = "";
    
11. my $request_times = 1000;
    
12. 
    
13. print "\n Now begin testing ... \n";
    
14. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
15. my $conncache = new LWP::ConnCache;
    
16. $lwp->conn_cache($conncache);
    
17. 
    
18. for(1..$request_times) {
    
19.         my $request = HTTP::Request->new(GET=>$url);
    
20.         $request->header(Accept=>'text/html');
    
21.         my $response = $lwp->request($request);
    
22.          if ($response->is_success) {
    
23.                  print " $_\tOK!\n";
    
24.          }
    
25.          else {
    
26.                  print " $_\tFaild!\n";
    
27.                  redo;
    
28.          }
    
29. }
    
30. my $TT1 = new Benchmark;
    
31. my $td = Benchmark::timediff($TT1, $TT0);
    
32. $td = Benchmark::timestr($td);
    
33. my ($sec) = ($td =~ /(\d+).*/);
    
34. my $speed = sprintf("%0.1f",$request_times/$sec);
    
35. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
36. 
    
37. ;

复制代码

3.使用多线程，并结合持续连接。平均下载速度约为每秒17次，是令人兴奋的质的飞跃。

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use threads;
   
6. use threads::shared;
   
7. use Thread::Queue;
   
8. use LWP::UserAgent;
   
9. use LWP::ConnCache;
   
10. use Benchmark;
    
11. my $TT0 = new Benchmark;
    
12. 
    
13. my $url = "";
    
14. my $request_times = 1000;
    
15. 
    
16. print "\n Now begin testing ... \n";
    
17. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
18. my $conncache = new LWP::ConnCache;
    
19. $lwp->conn_cache($conncache);
    
20. 
    
21. my $data_queue = new Thread::Queue;
    
22. my $result_queue = new Thread::Queue;
    
23. my $processing_count :shared = 0;
    
24. my $MAX_THREADS = 10;
    
25. my $num = 1;
    
26. 
    
27. for (my $n = 0; $n < $MAX_THREADS; $n++)
    
28. {
    
29.         threads->create(\&thread_io);
    
30. }
    
31. 
    
32. foreach my $data(1..$request_times)
    
33. {
    
34.         if ($data_queue ->pending() > $MAX_THREADS * 2)
    
35.         {
    
36.                 select(undef, undef, undef, 0.02);
    
37.                 redo;
    
38.         }
    
39. 
    
40.         $data_queue->enqueue($data);
    
41.         if ($result_queue->pending() > 0)
    
42.         {
    
43.                 while (my $result = $result_queue->dequeue_nb())
    
44.                 {
    
45.                         if($result) { print " $num\tOK!\n"; }
    
46.                         else { print " $num\tFailed!\n"; }
    
47.                          $num++;
    
48.                 }
    
49.         }
    
50. }
    
51. 
    
52. while ($processing_count > 0 or $data_queue->pending() > 0 or $result_queue->pending() > 0)
    
53. {
    
54.          select(undef, undef, undef, 0.02);
    
55.         while (my $result = $result_queue->dequeue_nb())
    
56.         {
    
57.                         if($result) { print " $num\tOK!\n"; }
    
58.                         else { print " $num\tFailed!\n"; }
    
59.                          $num++;
    
60.         }
    
61. }
    
62. 
    
63. foreach my $thread (threads->list(threads::all))
    
64. {
    
65.         $thread->detach();
    
66. }
    
67. 
    
68. my $TT1 = new Benchmark;
    
69. my $td = Benchmark::timediff($TT1, $TT0);
    
70. $td = Benchmark::timestr($td);
    
71. my ($sec) = ($td =~ /(\d+).*/);
    
72. my $speed = sprintf("%0.1f",$request_times/$sec);
    
73. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
74. 
    
75. ;
    
76. 
    
77. ##########################################################################################
    
78. 
    
79. sub thread_io()
    
80. {
    
81.         while (my $data = $data_queue->dequeue())
    
82.         {
    
83.                 {
    
84.                         lock $processing_count;
    
85.                         ++$processing_count;
    
86.                 }
    
87. 
    
88.                 my $result = get_html($data);
    
89.                 $result_queue->enqueue($result);
    
90. 
    
91.                 {
    
92.                         lock $processing_count;
    
93.                         --$processing_count;
    
94.                 }
    
95.         }
    
96. }
    
97. 
    
98. sub get_html {
    
99.         my $no = shift;
    
100.         my $request = HTTP::Request->new(GET=>$url);
     
101.         $request->header(Accept=>'text/html');
     
102.         my $response = $lwp->request($request);
     
103.          if ($response->is_success) {
     
104.                  return(1);
     
105.          }
     
106.          else {
     
107.                 $data_queue->enqueue($no);   #请求失败的任务，可以在此重新加入队列
     
108.                  return(0);
     
109.          }
     
110. }

复制代码

该多线程模型为莫言原创，采用线程池方式，建2个队列，一个负责向线程队列添加任务，另一个负责管理任务的处理结果。请求失败的任务，可以重新加入队列，以保证每个请求的有效性。该模型易于控制，可靠性高，能即时显示任务的处理进度，而且效率高。

注意：LWP::ConnCache不支持LWP::Simple，支持LWP::UserAgent。

在此特别感谢莫言。

我经常需要提取大量的（1500页以上）网页数据，曾尝试过很多方法，虽然都能实现，但效率都不是太高。

刚开始用LWP::Simple（get）按顺序边下载边提取，这种方法很容易控制，也很可靠，下载中途中断了可以通过检查数据的完整性断点续传，下载的网页数据并不存入本地硬盘，仅存储提取后的少量数据，硬盘操作少，但下载效率很低；

为了加快下载速度，考虑用第三方下载软件先下载网页数据，再用程序从已下载的网页中提取数据。所以开始使用Teleport下载网页数据，Teleport支持多线程下载，速度提高了至少3－5倍。但用Teleport下载大量网页的时候，也会有下载失败的情况，程序本身并不自动检测并重新下载，通常需要手工重复下载一次以检验数据的完整性，这需要额外消耗一些时间。这种方法效率较高，也很稳定，我使用了很长时间；

后来在CU论坛看到仙子发的多线程模型，就将自己的代码改造成多线程下载，效率比Teleport快了不少，但仙子给的多线程模型很难控制，下载过程中经常发呆很久，下载失败率很高（10%左右），下载失败的任务无法再继续通过多线程下载（我没找到方法），不能即时显示下载进度，在下载后期经常假死，处于无限期等待状态，程序不再继续运行，不得不手工关闭。仙子发的多进程模型也尝试过，多线程中的问题，多进程同样存在，而且资源消耗非常大。所以不得不放弃，曾对PERL的多线程和多进程不抱希望；

再后来，Perl China官方QQ群群主莫言给了个终极解决方案，使用LWP::ConnCache建立持续连接，并结合多线程（线程池方式）实现高速WEB数据请求。这种方案非常高效，下载速度是Teleport的3－5倍，而且易于控制，能即时显示下载进度。

现共享给大家，以求共同进步。

（以下代码以请求1000次百度主页为例，下载测试环境为：XP，ActivePerl 5.10.1007，1M电信宽带，测试数据仅供参考）

1.顺序请求，不使用持续连接，程序每请求一次需要与服务器新建一次连接，这会耗费大量时间，平均下载速度约为每秒0.7次；

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use LWP::UserAgent;
   
6. use Benchmark;
   
7. my $TT0 = new Benchmark;
   
8. 
   
9. my $url = "";
   
10. my $request_times = 1000;
    
11. 
    
12. print "\n Now begin testing ... \n";
    
13. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
14. 
    
15. for(1..$request_times) {
    
16.         my $request = HTTP::Request->new(GET=>$url);
    
17.         $request->header(Accept=>'text/html');
    
18.         my $response = $lwp->request($request);
    
19.          if ($response->is_success) {
    
20.                  print " $_\tOK!\n";
    
21.          }
    
22.          else {
    
23.                  print " $_\tFaild!\n";
    
24.                  redo;
    
25.          }
    
26. }
    
27. my $TT1 = new Benchmark;
    
28. my $td = Benchmark::timediff($TT1, $TT0);
    
29. $td = Benchmark::timestr($td);
    
30. my ($sec) = ($td =~ /(\d+).*/);
    
31. my $speed = sprintf("%0.1f",$request_times/$sec);
    
32. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
33. 
    
34. ;

复制代码

2.顺序请求，使用持续连接，向同一服务器多次发送请求仅需建立一次连接，平均下载速度约为每秒7.2次，下载效率有明显提高；

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use LWP::UserAgent;
   
6. use LWP::ConnCache;
   
7. use Benchmark;
   
8. my $TT0 = new Benchmark;
   
9. 
   
10. my $url = "";
    
11. my $request_times = 1000;
    
12. 
    
13. print "\n Now begin testing ... \n";
    
14. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
15. my $conncache = new LWP::ConnCache;
    
16. $lwp->conn_cache($conncache);
    
17. 
    
18. for(1..$request_times) {
    
19.         my $request = HTTP::Request->new(GET=>$url);
    
20.         $request->header(Accept=>'text/html');
    
21.         my $response = $lwp->request($request);
    
22.          if ($response->is_success) {
    
23.                  print " $_\tOK!\n";
    
24.          }
    
25.          else {
    
26.                  print " $_\tFaild!\n";
    
27.                  redo;
    
28.          }
    
29. }
    
30. my $TT1 = new Benchmark;
    
31. my $td = Benchmark::timediff($TT1, $TT0);
    
32. $td = Benchmark::timestr($td);
    
33. my ($sec) = ($td =~ /(\d+).*/);
    
34. my $speed = sprintf("%0.1f",$request_times/$sec);
    
35. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
36. 
    
37. ;

复制代码

3.使用多线程，并结合持续连接。平均下载速度约为每秒17次，是令人兴奋的质的飞跃。

1. #!/usr/bin/perl
   
2. 
   
3. use strict;
   
4. use warnings;
   
5. use threads;
   
6. use threads::shared;
   
7. use Thread::Queue;
   
8. use LWP::UserAgent;
   
9. use LWP::ConnCache;
   
10. use Benchmark;
    
11. my $TT0 = new Benchmark;
    
12. 
    
13. my $url = "";
    
14. my $request_times = 1000;
    
15. 
    
16. print "\n Now begin testing ... \n";
    
17. my $lwp = new LWP::UserAgent(agent => 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; CIBA)');
    
18. my $conncache = new LWP::ConnCache;
    
19. $lwp->conn_cache($conncache);
    
20. 
    
21. my $data_queue = new Thread::Queue;
    
22. my $result_queue = new Thread::Queue;
    
23. my $processing_count :shared = 0;
    
24. my $MAX_THREADS = 10;
    
25. my $num = 1;
    
26. 
    
27. for (my $n = 0; $n < $MAX_THREADS; $n++)
    
28. {
    
29.         threads->create(\&thread_io);
    
30. }
    
31. 
    
32. foreach my $data(1..$request_times)
    
33. {
    
34.         if ($data_queue ->pending() > $MAX_THREADS * 2)
    
35.         {
    
36.                 select(undef, undef, undef, 0.02);
    
37.                 redo;
    
38.         }
    
39. 
    
40.         $data_queue->enqueue($data);
    
41.         if ($result_queue->pending() > 0)
    
42.         {
    
43.                 while (my $result = $result_queue->dequeue_nb())
    
44.                 {
    
45.                         if($result) { print " $num\tOK!\n"; }
    
46.                         else { print " $num\tFailed!\n"; }
    
47.                          $num++;
    
48.                 }
    
49.         }
    
50. }
    
51. 
    
52. while ($processing_count > 0 or $data_queue->pending() > 0 or $result_queue->pending() > 0)
    
53. {
    
54.          select(undef, undef, undef, 0.02);
    
55.         while (my $result = $result_queue->dequeue_nb())
    
56.         {
    
57.                         if($result) { print " $num\tOK!\n"; }
    
58.                         else { print " $num\tFailed!\n"; }
    
59.                          $num++;
    
60.         }
    
61. }
    
62. 
    
63. foreach my $thread (threads->list(threads::all))
    
64. {
    
65.         $thread->detach();
    
66. }
    
67. 
    
68. my $TT1 = new Benchmark;
    
69. my $td = Benchmark::timediff($TT1, $TT0);
    
70. $td = Benchmark::timestr($td);
    
71. my ($sec) = ($td =~ /(\d+).*/);
    
72. my $speed = sprintf("%0.1f",$request_times/$sec);
    
73. print "\n Time expend: $td\n Average Speed: $speed Times Per Second\n\n Press Enter to close me ... \7";
    
74. 
    
75. ;
    
76. 
    
77. ##########################################################################################
    
78. 
    
79. sub thread_io()
    
80. {
    
81.         while (my $data = $data_queue->dequeue())
    
82.         {
    
83.                 {
    
84.                         lock $processing_count;
    
85.                         ++$processing_count;
    
86.                 }
    
87. 
    
88.                 my $result = get_html($data);
    
89.                 $result_queue->enqueue($result);
    
90. 
    
91.                 {
    
92.                         lock $processing_count;
    
93.                         --$processing_count;
    
94.                 }
    
95.         }
    
96. }
    
97. 
    
98. sub get_html {
    
99.         my $no = shift;
    
100.         my $request = HTTP::Request->new(GET=>$url);
     
101.         $request->header(Accept=>'text/html');
     
102.         my $response = $lwp->request($request);
     
103.          if ($response->is_success) {
     
104.                  return(1);
     
105.          }
     
106.          else {
     
107.                 $data_queue->enqueue($no);   #请求失败的任务，可以在此重新加入队列
     
108.                  return(0);
     
109.          }
     
110. }

复制代码

该多线程模型为莫言原创，采用线程池方式，建2个队列，一个负责向线程队列添加任务，另一个负责管理任务的处理结果。请求失败的任务，可以重新加入队列，以保证每个请求的有效性。该模型易于控制，可靠性高，能即时显示任务的处理进度，而且效率高。

注意：LWP::ConnCache不支持LWP::Simple，支持LWP::UserAgent。

在此特别感谢莫言。