今天在浏览知乎时,发现一个有趣的问题:
如何优化 Python 爬虫的速度?
他的问题描述是:
目前在写一个 Python 爬虫,单线程 urllib 感觉过于慢了,达不到数据量的要求(十万级页面)。求问有哪些可以提高爬取效率的方法?
这个问题还蛮多人关注的,但是回答的人却不多。
我今天就来尝试着回答一下这个问题。
程序提速这个问题其实解决方案就摆在那里,要么通过并发来提高单位时间内处理的工作量,要么从程序本身去找提效点,比如爬取的数据用gzip传输、提高处理数据的速度等。
我会分别从几种常见的并发方法去做同一件事情,从而比较处理效率。
简单版本爬虫
我们先来一个简单的爬虫,看看单线程处理会花费多少时间?
1 |
|
我们用一个爬虫的测试网站,测试爬取100次,用时是54.86秒。
多线程版本爬虫
下面我们将上面的程序改为多线程版本:
1 |
|
我们可以看到,用上多线程之后,速度提高了68倍。其实用这种方式的话,由于我们并发操作,所以跑100次跟跑一次的时间基本是一致的。这只是一个简单的例子,实际情况中我们不可能无限制地增加线程数。
多进程版本爬虫
除了多线程之外,我们还可以使用多进程来提高爬虫速度:
1 |
|
我们可以看到多进程处理的时间是多线程的10倍,比单线程版本快7倍。
协程版本爬虫
我们将程序改为使用 aiohttp 来实现,看看效率如何:
1 |
|
我们可以看到使用这种方式实现,比单线程版本快90倍,比多线程还快。
结论
通过上面的程序对比,我们可以看到,对于多任务爬虫来说,多线程、多进程、协程这几种方式处理效率的排序为:aiohttp > 多线程 > 多进程。因此,对于简单的爬虫任务,如果想要提高效率,可以考虑使用协程。但是同时也要注意,这里只是简单的示例,实际运用中,我们一般会用线程池、进程池、协程池去操作。
这就是问题的答案了吗?
对于一个严谨的程序员来说,当然不是,实际上还有一些优化的库,例如grequests,可以从请求上解决并发问题。实际的处理过程中,肯定还有其他的优化点,这里只是从最常见的几种并发方式去比较而已,应付简单爬虫还是可以的,其他的方式欢迎大家在评论区留言探讨。
示例代码:(https://github.com/JustDoPython/python-examples/tree/master/xianhuan/spiderspeed)