其他版本

• photo-go 版
• photo-asyncio 版

之前写多线程/多进程爬虫一直没有用到第三方库，后来看了 gevent 的文档，觉得可以来试试。觉得还是拿妹子爬虫来试可能比较好一点，毕竟兴趣是最好的老师...

主要是使用了 gevent 的 Pool 模块，是一个 greenlets 池（协程）。然后使用标准库 queue 作队列。

关于 queue 官方的介绍如下

The queue module implements multi-producer, multi-consumer queues. It is especially useful in threaded programming when information must be exchanged safely between multiple threads.

queue 是线程安全的，也就是不存在同时读写同一个 item 的情况。在 queue 的基础上，我新增了重试限制功能，避免无限次对一个 item 进行重试。

（机器配置 i7 7700 HQ 16G RAM）

  PID USER      PR  NI    VIRT    RES    SHR S  %CPU %MEM     TIME  COMMAND
   82 chenjia   20   0  864420 102984  10172 S   3.3  0.6   0:08.90 python

可以看到，实际占用的资源是非常少的，效率是极高的。并且网速也就基本是接近满速的。

图片地址数据保存在了 data.txt，共 17w 张照片，图片的数据是我从 mmjpg 和 mzitu 里提取出来的。

$ wc -l data.txt
178075 data.txt

$ git clone https://github.com/chenjiandongx/photo-gevent.git 
$ cd photo-gevent
$ pip install -r requirements.txt # 安装依赖
$ python core.py

图片名是经过 hash 过的唯一值（重名的概率基本为 0），所以在任意时间 Ctrl C 暂停项目后都可以随时启动继续下载，会自动跳过重名图片。大大的提高效率。

最终成果

朦胧美

MIT ©chenjiandongx