作者：閑歡

來源：Python 技術(shù)

今天在瀏覽知乎時(shí)，發(fā)現(xiàn)一個(gè)有趣的問題：

如何優(yōu)化 Python 爬蟲的速度？

他的問題描述是：

目前在寫一個(gè) Python 爬蟲，單線程 urllib 感覺過于慢了，達(dá)不到數(shù)據(jù)量的要求（十萬級(jí)頁面）。求問有哪些可以提高爬取效率的方法？

這個(gè)問題還蠻多人關(guān)注的，但是回答的人卻不多。

我今天就來嘗試著回答一下這個(gè)問題。

程序提速這個(gè)問題其實(shí)解決方案就擺在那里，要么通過并發(fā)來提高單位時(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)分別從幾種常見的并發(fā)方法去做同一件事情，從而比較處理效率。

簡單版本爬蟲

我們先來一個(gè)簡單的爬蟲，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)爬蟲的測試網(wǎng)站，測試爬取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)簡單的例子，實(shí)際情況中我們不可能無限制地增加線程數(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

通過上面的程序?qū)Ρ?，我們可以看到，?duì)于多任務(wù)爬蟲來說，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。

這就是問題的答案了嗎？

對(duì)于一個(gè)嚴(yán)謹(jǐn)?shù)某绦騿T來說，當(dāng)然不是，實(shí)際上還有一些優(yōu)化的庫，例如grequests，可以從請(qǐng)求上解決并發(fā)問題。實(shí)際的處理過程中，肯定還有其他的優(yōu)化點(diǎn)，這里只是從最常見的幾種并發(fā)方式去比較而已，應(yīng)付簡單爬蟲還是可以的，其他的方式歡迎大家在評(píng)論區(qū)留言探討。