如何提高爬蟲速度?

大家好，歡迎來到 Crossin的編程教室 ！

今天在瀏覽知乎時，發(fā)現(xiàn)一個有趣的問題：

如何優(yōu)化 Python 爬蟲的速度？

他的問題描述是：

目前在寫一個 Python 爬蟲，單線程 urllib 感覺過于慢了，達不到數(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問題。

程序提速這個問題其實解決方案就擺在那里，要么通過并發(fā)來提高單位時間內(nèi)處理的工作量，要么從程序本身去找提效點，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

我們先來一個簡單的爬蟲，看看單線程處理會花費多少時間？

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：',?time.time()?-?t1)

# requests版爬蟲耗時：54.86306357383728

我們用一個爬蟲的測試網(wǎng)站，測試爬取100次，用時是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：",?time.time()?-?t1)

#?多線程版爬蟲耗時：0.8038511276245117

我們可以看到，用上多線程之后，速度提高了68倍。其實用這種方式的話，由于我們并發(fā)操作，所以跑100次跟跑一次的時間基本是一致的。這只是一個簡單的例子，實際情況中我們不可能無限制地增加線程數(shù)。

多進程版本爬蟲

除了多線程之外，我們還可以使用多進程來提高爬蟲速度：

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('多進程爬蟲耗時：',?time.time()?-?t1)

多進程爬蟲耗時：?7.9846765995025635

我們可以看到多進程處理的時間是多線程的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：",?time.time()?-?t1)

aiohttp版爬蟲耗時：?0.6133313179016113

我們可以看到使用這種方式實現(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龋覀兛梢钥吹剑瑢τ诙嗳蝿?wù)爬蟲來說，多線程、多進程、協(xié)程這幾種方式處理效率的排序為：aiohttp > 多線程 > 多進程。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。但是同時也要注意，這里只是簡單的示例，實際運用中，我們一般會用線程池、進程池、協(xié)程池去操作。

這就是問題的答案了嗎？

對于一個嚴謹?shù)某绦騿T來說，當(dāng)然不是，實際上還有一些優(yōu)化的庫，例如grequests，可以從請求上解決并發(fā)問題。實際的處理過程中，肯定還有其他的優(yōu)化點，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。

獲取文中相關(guān)代碼，請在公眾號 Crossin的編程教室 回復(fù)關(guān)鍵字：?加速

如果文章對你有幫助，歡迎轉(zhuǎn)發(fā)/點贊/收藏~

作者：閑歡

來源：Python 技術(shù)「ID: pythonall」

_往期文章推薦_