文 | 閑歡

來(lái)源：Python 技術(shù)「ID: pythonall」

今天在瀏覽知乎時(shí)，發(fā)現(xiàn)一個(gè)有趣的問(wèn)題：如何優(yōu)化 Python 爬蟲(chóng)的速度？

他的問(wèn)題描述是：

目前在寫(xiě)一個(gè) Python 爬蟲(chóng)，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）。求問(wèn)有哪些可以提高爬取效率的方法？

這個(gè)問(wèn)題還蠻多人關(guān)注的，但是回答的人卻不多。

我今天就來(lái)嘗試著回答一下這個(gè)問(wèn)題。

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(chóng)

我們先來(lái)一個(gè)簡(jiǎn)單的爬蟲(chóng)，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(chóng)耗時(shí)：', time.time() - t1)
# requests版爬蟲(chóng)耗時(shí)：54.86306357383728

我們用一個(gè)爬蟲(chóng)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(chóng)

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(chóng)耗時(shí)：", time.time() - t1)
# 多線程版爬蟲(chóng)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(chóng)

除了多線程之外，我們還可以使用多進(jìn)程來(lái)提高爬蟲(chóng)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(chóng)耗時(shí)：', time.time() - t1)
 
多進(jìn)程爬蟲(chóng)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(chóng)

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(chóng)耗時(shí)：", time.time() - t1) 
aiohttp版爬蟲(chóng)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(chóng)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(chóng)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(chóng)還是可以的，其他的方式歡迎大家在評(píng)論區(qū)留言探討。

以上就是熱門(mén)問(wèn)題python爬蟲(chóng)的效率如何提高的詳細(xì)內(nèi)容，更多關(guān)于python爬蟲(chóng)效率提高的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論