久久久网中文字幕_精品国产电影自在免费观看_中文字幕电影亚洲精品_亚洲色精品Aⅴ一区区三区

?
徐州北大青鳥
當(dāng)前位置: 主頁(yè) > 學(xué)在青鳥 > 編程技巧 >

知乎熱門:如何提高爬蟲速度?

時(shí)間:2021-10-23 11:03來(lái)源:未知 作者:代碼如詩(shī) 點(diǎn)擊:
如何優(yōu)化 Python 爬蟲的速度?單線程 urllib 感覺(jué)過(guò)于慢了,達(dá)不到數(shù)據(jù)量的要求(十萬(wàn)級(jí)頁(yè)面)。有哪些可以提高爬取效率的方法? 程序提速這個(gè)問(wèn)題其實(shí)解決方案就擺在那里,要么通
如何優(yōu)化 Python 爬蟲的速度?單線程 urllib 感覺(jué)過(guò)于慢了,達(dá)不到數(shù)據(jù)量的要求(十萬(wàn)級(jí)頁(yè)面)。有哪些可以提高爬取效率的方法?
 
程序提速這個(gè)問(wèn)題其實(shí)解決方案就擺在那里,要么通過(guò)并發(fā)來(lái)提高單位時(shí)間內(nèi)處理的工作量,要么從程序本身去找提效點(diǎn),比如爬取的數(shù)據(jù)用gzip傳輸、提高處理數(shù)據(jù)的速度等。
 
我會(huì)分別從幾種常見(jiàn)的并發(fā)方法去做同一件事情,從而比較處理效率。
 
簡(jiǎn)單版本爬蟲
我們先來(lái)一個(gè)簡(jiǎn)單的爬蟲,看看單線程處理會(huì)花費(fèi)多少時(shí)間?
 
import time
import requests
from datetime import datetime
 
 
def fetch(url):
    r = requests.get(url)
    print(r.text)
 
start = datetime.now()
 
t1 = time.time()
for i in range(100):
    fetch('http://httpbin.org/get')
 
print('requests版爬蟲耗時(shí):', time.time() - t1)
 
# requests版爬蟲耗時(shí):54.86306357383728
 
我們用一個(gè)爬蟲的測(cè)試網(wǎng)站,測(cè)試爬取100次,用時(shí)是54.86秒。
 
多線程版本爬蟲
下面我們將上面的程序改為多線程版本:
 
import threading
import time
import requests
 
 
def fetch():
    r = requests.get('http://httpbin.org/get')
    print(r.text)
 
t1 = time.time()
 
t_list = []
for i in range(100):
    t = threading.Thread(target=fetch, args=())
    t_list.append(t)
    t.start()
 
for t in t_list:
    t.join()
 
print("多線程版爬蟲耗時(shí):", time.time() - t1)
 
# 多線程版爬蟲耗時(shí):0.8038511276245117
我們可以看到,用上多線程之后,速度提高了68倍。其實(shí)用這種方式的話,由于我們并發(fā)操作,所以跑100次跟跑一次的時(shí)間基本是一致的。這只是一個(gè)簡(jiǎn)單的例子,實(shí)際情況中我們不可能無(wú)限制地增加線程數(shù)。
 
多進(jìn)程版本爬蟲
除了多線程之外,我們還可以使用多進(jìn)程來(lái)提高爬蟲速度:
 
import requests
import time
import multiprocessing
from multiprocessing import Pool
 
MAX_WORKER_NUM = multiprocessing.cpu_count()
 
def fetch():
    r = requests.get('http://httpbin.org/get')
    print(r.text)
 
if __name__ == '__main__':
    t1 = time.time()
    p = Pool(MAX_WORKER_NUM)
    for i in range(100):
        p.apply_async(fetch, args=())
    p.close()
    p.join()
 
    print('多進(jìn)程爬蟲耗時(shí):', time.time() - t1)
 
多進(jìn)程爬蟲耗時(shí): 7.9846765995025635
我們可以看到多進(jìn)程處理的時(shí)間是多線程的10倍,比單線程版本快7倍。
 
協(xié)程版本爬蟲
我們將程序改為使用 aiohttp 來(lái)實(shí)現(xiàn),看看效率如何:
 
import aiohttp
import asyncio
import time
 
 
async def fetch(client):
    async with client.get('http://httpbin.org/get') as resp:
        assert resp.status == 200
        return await resp.text()
 
 
async def main():
    async with aiohttp.ClientSession() as client:
        html = await fetch(client)
        print(html)
 
loop = asyncio.get_event_loop()
 
tasks = []
for i in range(100):
    task = loop.create_task(main())
    tasks.append(task)
 
t1 = time.time()
 
loop.run_until_complete(main())
 
print("aiohttp版爬蟲耗時(shí):", time.time() - t1)
 
aiohttp版爬蟲耗時(shí): 0.6133313179016113
 
我們可以看到使用這種方式實(shí)現(xiàn),比單線程版本快90倍,比多線程還快。
 
結(jié)論
通過(guò)上面的程序?qū)Ρ?,我們可以看到,?duì)于多任務(wù)爬蟲來(lái)說(shuō),多線程、多進(jìn)程、協(xié)程這幾種方式處理效率的排序?yàn)椋篴iohttp > 多線程 > 多進(jìn)程。因此,對(duì)于簡(jiǎn)單的爬蟲任務(wù),如果想要提高效率,可以考慮使用協(xié)程。但是同時(shí)也要注意,這里只是簡(jiǎn)單的示例,實(shí)際運(yùn)用中,我們一般會(huì)用線程池、進(jìn)程池、協(xié)程池去操作。
 
這就是問(wèn)題的答案了嗎?
 
對(duì)于一個(gè)嚴(yán)謹(jǐn)?shù)某绦騿T來(lái)說(shuō),當(dāng)然不是,實(shí)際上還有一些優(yōu)化的庫(kù),例如grequests,可以從請(qǐng)求上解決并發(fā)問(wèn)題。實(shí)際的處理過(guò)程中,肯定還有其他的優(yōu)化點(diǎn),這里只是從最常見(jiàn)的幾種并發(fā)方式去比較而已,應(yīng)付簡(jiǎn)單爬蟲還是可以的,其他的方式歡迎大家在評(píng)論區(qū)留言探討。
試聽(tīng)課
(責(zé)任編輯:代碼如詩(shī))
------分隔線----------------------------
欄目列表
推薦內(nèi)容