99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁精彩閱讀知乎熱門:如何提高爬蟲速度?
知乎熱門:如何提高爬蟲速度?
2021-10-26
收藏
知乎熱門:如何提高爬蟲速度?

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,對于多任?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論區(qū)留言探討。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼,搜微信號:CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個(gè)參數(shù)驗(yàn)證碼對象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個(gè)配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時(shí)表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計(jì)時(shí)完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }