Python多线程爬虫应采用Queue+threading.Thread的生产者-消费者模型，合理控制并发数、加锁保护共享资源、添加延时与异常处理，避免被封；I/O密集型任务适用，CPU密集型则选multiprocessing。
Python多线程爬虫不是靠开一堆线程硬怼，而是用 threading 控制并发节奏，避免被封、减少等待、提升整体抓取效率。关键在合理复用线程、加锁保护共享资源、控制请求频率。
用 Queue + threading.Thread 做任务分发
手动管理线程数量比直接 start() 一堆线程更稳妥。推荐搭配 queue.Queue 实现生产者-消费者模型：
- 主线程把待爬 URL 放进队列（生产者）
- 多个工作线程从队列取 URL 并请求（消费者），处理完自动取下一个
- 队列自带线程安全，不用额外加锁
示例片段：
import threading import queue import requestsurl_queue = queue.Queue() results = []
def worker(): while True: url = url_queue.get() if url is None: # 退出信号 break try: resp = requests.get(url, timeout=5) results.append((url, resp.status_code)) except Exception as e: results.append((url, f"error: {e}")) url_queue.task_done() # 标记完成
启动 4 个线程
threads = [] for _ in range(4): t = threading.Thread(target=worker) t.start() threads.append(t)
添加任务
for u in ["https://www.php.cn/link/5f69e19efaba426d62faeab93c308f5c", "https://www.php.cn/link/ef246753a70fce661e16668898810624"]: url_queue.put(u)
url_queue.join() # 等所有任务完成
立即学习“Python免费学习笔记（深入）”；
发送退出信号
for _ in threads: url_queue.put(None) for t in threads: t.join()
共享数据要加锁，别让线程抢着写
像写文件、更新全局列表、计数器这类操作，多个线程同时执行会出错（比如少记一次、覆盖数据）。必须用 threading.Lock：
- 定义一个 lock 对象：
lock = threading.Lock() - 写共享变量前调用
lock.acquire()，写完立刻lock.release() - 更安全写法是用
with lock:语句，自动释放
例如保存结果到 CSV 文件时：
import csv lock = threading.Lock()def save_to_csv(url, status): with lock: # 确保同一时间只有一个线程在写 with open("log.csv", "a", newline="") as f: writer = csv.writer(f) writer.writerow([url, status])
别忘加延时和异常兜底，否则容易被反爬
多线程不等于“越快越好”。高频请求会触发目标网站的频率限制或验证码：
- 每个线程内请求后加
time.sleep(0.5)（根据目标调整） - 统一捕获
requests.exceptions.RequestException，避免单个失败导致线程退出 - 设置合理的
timeout，防止某个 URL 卡死整个线程 - 考虑加 User-Agent 轮换、Session 复用，进一步降低被识别风险
什么时候别用 threading？
纯 CPU 密集型任务（如解析大量 JSON、计算哈希）用 threading 效果差，因为 CPython 有 GIL；此时应选 multiprocessing。而爬虫本质是 I/O 密集型，threading 正合适——等响应时线程挂起，CPU 可切去干别的。
如果需要更高并发或更优雅的协程支持，可后续升级到 asyncio + aiohttp，但 threading 入门快、逻辑直白，适合中小规模稳定采集。
