最近做了一个爬虫任务,大概需要采集百万级的页面。 使用如下技术:
python3
requests
xpath(解析)
多线程(threading)
代理 ip 池(95%有效,10 次 /1s 最多)
redis(请求队列, 去重)
mysql(储存)
同时做好容错处理(重连)/反爬机制应对。 经过几次测试:控制
[线程数量]
[进程数量]
[重连等待时间]
[报错等待时间]
得出一组每分钟采集最多数量的方案。 似乎遇到了瓶颈,此时不知道如何去优化采集速度。 没有想到的等会补充。。。 请教有经验的大神指点一下思路!谢谢各位了!!!
1
ilovebaicai 2018-01-04 11:59:04 +08:00 1
Scrpy+redis 是一个选择。![scrapy-redis]( https://github.com/rmax/scrapy-redis)
|
2
ilovebaicai 2018-01-04 12:00:06 +08:00 1
抱歉,手抖,少打了个 a。
|
3
wzwwzw 2018-01-04 12:03:58 +08:00 1
如果不用 scrapy 的话,就用
- aiohttp - asyncio - aiosocks - Pool 毕竟爬虫大部分时间都是在等待请求,所以异步应该会快很多。 数量多的话还是推荐 scrapy ,分布式 scrapy-redis . |
4
exiaohao 2018-01-04 12:06:35 +08:00 1
把采集任务丢给 celery 处理
|
5
dhcn 2018-01-04 12:41:29 +08:00 1
pyspider,帮你完成包括人物分发在内的大多数技术基础设施工作
|
6
so1n 2018-01-04 13:45:17 +08:00 1
可以改用进程+协程
|
7
zhchyu999 2018-01-04 14:00:14 +08:00 1
难道没人吐槽“代理 ip 池(95%有效,10 次 /1s 最多)”这个么
|
8
BiggerLonger 2018-01-04 14:03:45 +08:00 1
grequests
|
9
harker 2018-01-04 14:13:31 +08:00
当前方案有问题么?百万级应该还能应付吧
|
10
Nick2VIPUser OP |
11
qsnow6 2018-01-04 14:18:20 +08:00 1
百万级应该没啥问题啊,大部分时间都是在网络耗时上面。
不过,切换线程是有开销的,如果想进一步提升性能的话,建议用异步 or 协程。 |
12
asuraa 2018-01-04 14:19:12 +08:00 1
百万级别重要的我觉得是
1. 代理 2. 断点续传 3. 非阻塞多线程 |
13
asuraa 2018-01-04 14:19:53 +08:00 1
|
14
Nick2VIPUser OP |
15
Nick2VIPUser OP @dhcn
这个框架没用使用过,会考虑了解一下特性以作比较!谢谢! |
16
Nick2VIPUser OP @BiggerLonger
requests 换为 frequests 的话代码可能会变动比较大吧?刚刚只是粗略的看了一下 frequests 的 demo。 |
17
Nick2VIPUser OP @qsnow6
谢谢您,主要想提升采集速度,测试过 10/15/20 个线程的采集速度,结果发现 10 个线程的采集速度是最快的,非常困惑。这里每次请求都使用不同的经过测试的代理 IP,不知道是不是带宽限制导致。 |
18
MontagePa 2018-01-04 14:25:43 +08:00 1
celery 这个,然后你再多线程,考虑好去重就行。
|
19
qsnow6 2018-01-04 14:28:05 +08:00 2
|
21
NxnXgpuPSfsIT 2018-01-04 14:37:40 +08:00 1
|
22
qsnow6 2018-01-04 14:55:13 +08:00 1
给个参考值,scrapy 单进程可以达到 7200 pages/min
|
23
lhx2008 2018-01-04 15:02:50 +08:00 via Android 1
每天 6-8 万就是每秒才爬 1 个,开了 10 个线程的话就是平均一个线程 10s 爬一条,这也太不理想了吧,每个线程 1s 爬一条,一天就 80 万了
|
24
bazingaterry 2018-01-04 15:06:43 +08:00 1
上 scrapy,而且掏錢買代理池吧
|
25
2ME 2018-01-04 15:07:31 +08:00 1
你服务器如果不是小水管的话 你爬的是大文本吗? 大文本的话主要是 IO 影响效率 和线程关系并不大 还有你 1 条记录需要爬取几个页面 以及你的 IP 池质量如何 如果是 1 个页面并且爬取目标不是大文本,ip 池质量优异的话 这个速度可能慢了点 如果你为了对抗反爬虫 sleep 的时间比较久还是正常的
|
26
Zzzzzzzzz 2018-01-04 15:09:10 +08:00 1
铺节点+队列+代理池, 问题是你得考虑下目标站能不能扛住你的 CC
|
27
windfarer 2018-01-04 15:10:35 +08:00 1
百万级又不多,单机 scrapy 都够用了吧,主要代理要好
|
28
Nick2VIPUser OP @zhchyu999
这个为什么会被吐槽呀?公司有自己的代理池,但是数量较少;目标站点反爬策略比较敏感,所以使用付费的代理 IP 池,每次请求都会使用不同的 IP。 |
29
Nick2VIPUser OP @qsnow6 不知道是不是线程一多了网络堵塞导致的采集速度过慢。
|
30
Nick2VIPUser OP @luodaoyi
代理 /断点续爬 /去重都做了,非阻塞的意思就是用协程或是异步?我去看看您发的链接 谢谢 |
31
Nick2VIPUser OP @qsnow6
@lhx2008 @bazingaterry 这个网站产生的详情页面的 url 和 cookie 有效期都很短, 针对同一个 cookie 在短时间内高频率(大概是小于 1 次 /1s )的访问会立即失效 大概是用来区分是否是机器人 其实为什么每秒才爬一个,是因为对于 10 个线程每个线程都做了延时。每个线程获得一个新的 cookie 后每次请求都会间隔 3 秒,否则就会大量的报异常。这样的话,整体来说最优的情况每秒也只发出了 3 个请求,还没算上`去重入库解析异常处理`的时间。 现在思路也比较清晰,就是提高并发量,尝试加了线程和进程,并没有效果。 所以在研究把异步网络加上来。 |
32
Nick2VIPUser OP @2ME 除了 sleep,还设置了 Connect time out 和 Read time out ( Proxy Connect time out 异常较少),同时也发现 Read time out 频繁发生,是否是从代理 ip 读取数据的时候超时,也就意味代理发送请求失败或者回传给本地失败?
|
33
2ME 2018-01-04 17:44:33 +08:00 1
@Nick2VIPUser 那就是你代理 ip 质量太差了 加钱数据可及 readtimeout 频繁 每天抓 6-8 万很正常了
|
34
2ME 2018-01-04 17:48:00 +08:00 1
@Nick2VIPUser 你 debug 一下基本就会发现绝大多数时间都浪费在超时了 即使是小水管都够呛能跑满带宽
|
35
gouchaoer 2018-01-04 17:54:08 +08:00 1
第一代理 ip 不够
|
36
gouchaoer 2018-01-04 17:54:43 +08:00 1
第一次看到爬虫自己是瓶颈的,大家都是怕爬坏了别人
|
37
Nick2VIPUser OP |
38
Nick2VIPUser OP @2ME 有道理,我增加额外的 ip 代理测试一下,感谢!
|
39
Nick2VIPUser OP @gouchaoer 硬性条件没有提升起来呀,如果不考虑其他要花钱 /额外设备的条件,固定一台主机固定带宽,如果要增加速度还有什么办法?
|
40
qsnow6 2018-01-04 18:35:42 +08:00 via iPhone
加钱买多点代理就行了
|
41
Nick2VIPUser OP @qsnow6 您是否了解质量好点的代理 ip,如果方便透露可以讲一下,目前付费购买的这家感觉质量还是提不上来...
|
42
qsnow6 2018-01-04 19:10:18 +08:00 1
|
43
WuMingyu 2018-01-04 19:35:12 +08:00 via iPhone 1
用协程的话可以试试这个 https://github.com/6ugman/ant_nest,速度比 scrapy 快?(不确定,没有精确测试)不过很可能有 bug😅
|
44
anasplrt34 2018-01-04 20:33:08 +08:00 1
爬过十亿级数据的来吐个槽 要想速度快 加机器 加 IP 只有两条路 其他的比如什么优化什么异步多进程多协程线程都没什么作用 就比如一个网站限制单个 IP 一秒访问一次 你代码写出花来一秒也只能请求一次 这不是客户端也不算服务端 这是爬虫最大的问题 所以还是加钱吧
|
45
Nick2VIPUser OP @qsnow6 谢谢🙏!!
|
46
Nick2VIPUser OP @anasplrt34 您很幽默,说到点上了,我折腾了一天,现在才想清楚,不过收获很大,谢谢!!
|
47
Nick2VIPUser OP @WuMingyu 好的,谢谢!今天一天收获了好多好东西😁
|
48
easylee 2018-01-04 23:41:45 +08:00
来学习了,Mark~
|
49
anexplore 2018-01-04 23:50:58 +08:00
如果你每个线程都要休息 3s 的话,为啥要搞多线程呢?一个线程不就行了嘛,单线程异步 IO + 代理 IP 即可,根据带宽以及代理量控制并发,
|
50
PythonAnswer 2018-01-05 00:41:45 +08:00 via Android
协程 节约点资源。
不过你的 ip 池质量不行,速度提高不了。 |
51
goodryb 2018-01-05 10:54:36 +08:00
为啥不能增加物理资源,开个 10 台机器,效率不就提高 10 倍了,有时候真不要死脑经,先把事情解决了再说。
按照你的说法,假设 1 台主机需要 3 个月( 90 天),提高 10 倍之后,就需要 9 天,一周多就搞完了。 如果你今天在这里问了这么多,回去修改代码,换框架,验证,一周后搞出个新程序来,效率提高了 10 倍,那你需要的时间是 7+9 = 16 天 所以呢,技术不够,机器来凑,云主机按量付费也没多少,如果你爬回来的数据连这点机器的钱都不值得,那我估计更不值得你投入这么大的人力去搞这个东西。 |