熱門問題python爬蟲的效率如何提高

Posted on by

047a3afd331ae5ee673d0380b16805fc.png

文 | 閑歡

來源：Python 技術「ID: pythonall」

今天在瀏覽知乎時，發現一個有趣的問題：如何優化 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 感覺過於慢瞭，達不到數據量的要求（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註的，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裡，要麼通過並發來提高單位時間內處理的工作量，要麼從程序本身去找提效點，比如爬取的數據用gzip傳輸、提高處理數據的速度等。

我會分別從幾種常見的並發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，用上多線程之後，速度提高瞭68倍。其實用這種方式的話，由於我們並發操作，所以跑100次跟跑一次的時間基本是一致的。這隻是一個簡單的例子，實際情況中我們不可能無限制地增加線程數。

多進程版本爬蟲

除瞭多線程之外，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。

協程版本爬蟲

我們將程序改為使用 aiohttp 來實現，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，比單線程版本快90倍，比多線程還快。

結論

通過上面的程序對比，我們可以看到，對於多任務爬蟲來說，多線程、多進程、協程這幾種方式處理效率的排序為：aiohttp > 多線程 > 多進程。因此，對於簡單的爬蟲任務，如果想要提高效率，可以考慮使用協程。但是同時也要註意，這裡隻是簡單的示例，實際運用中，我們一般會用線程池、進程池、協程池去操作。

這就是問題的答案瞭嗎？

對於一個嚴謹的程序員來說，當然不是，實際上還有一些優化的庫，例如grequests，可以從請求上解決並發問題。實際的處理過程中，肯定還有其他的優化點，這裡隻是從最常見的幾種並發方式去比較而已，應付簡單爬蟲還是可以的，其他的方式歡迎大傢在評論區留言探討。

以上就是熱門問題python爬蟲的效率如何提高的詳細內容，更多關於python爬蟲效率提高的資料請關註WalkonNet其它相關文章！

推薦閱讀：