假设有一个爬虫，从网络上获取数据的频率快，本地写入数据的频率慢，使用什么数据结构好？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 2415 天前的主题，其中的信息可能已经有所发展或是发生改变。

面试遇到的问题

频率

数据

写入

假设

16 条回复 • 2018-05-21 13:30:20 +08:00

xshwy

2018-05-18 17:52:48 +08:00

丢缓存慢慢写

wuqiangroy

2018-05-18 17:58:49 +08:00

中间加一个 redis

Hopetree

2018-05-18 18:05:00 +08:00

队列

Ultraman

2018-05-18 18:25:27 +08:00 via Android

如果不是面试的话……把获取数据的频率放慢点

Luckyray

2018-05-18 18:26:59 +08:00 via iPhone

数据结构差别不大吧……用最简单的数组？多加几个硬盘应该更好使

zarte

2018-05-18 18:28:20 +08:00

看获取到的数据量，如果多无解的，除非降低爬虫爬取速度。少可以缓存队列啥的。

xiaol825

2018-05-18 22:45:25 +08:00

如果进来的数据量远大于能写入的，队列只能缓解。还是要想办法优化数据写入的速度才行。

q9REUgpVVCU77pWj

2018-05-18 22:55:06 +08:00

网络 IO 比本地 IO 快？还真没碰到过。一般都爬取的时候多开点，扔队列里慢慢写倒是有的。

Leigg

2018-05-18 23:08:37 +08:00 via Android

保存到数据库，开多线程写。
关数据结构什么事？

goreliu

2018-05-18 23:13:18 +08:00 via Android

意思应该是这样，比如从网络上获取每一千份数据，写入一次本地数据，所以前者频率更高。可以使用双 buffer，一个满后，切换 buffer，将满的写入硬盘后清空，这样互不干扰。具体 buffer 是数组、队列还是更复杂的结构，要看具体数据格式。

tabris17

2018-05-18 23:13:36 +08:00

究竟是频率还是效率

如果是频率的话，实在看不出两者有什么相互影响的关联

337136897

2018-05-19 12:09:50 +08:00

多买点固态硬盘

jssyxzy

2018-05-19 14:38:24 +08:00

message queue
写多开几个线程.

jssyxzy

2018-05-19 14:40:08 +08:00

说错了,
没看清楚,如果写比较慢,如果不管也可以实时写;
不过估计题主的意思是写的放在一起写, 那可以做一个 batch 写,每个一段时间写;其他时间写线程休眠即可.

gabon

2018-05-20 00:04:28 +08:00 via Android

生产者消费者模型，blockingqueue，redis 缓存，kafka 队列，要不加内存，要不加硬盘

Nick2VIPUser

2018-05-21 13:30:20 +08:00

是否可以这样理解这个题目：
有一个爬虫，本地采用数据结构 A 存数据，
由于从网络上获取数据的频率快，本地写入数据的频率慢，这里做一个假设：
十秒钟获取 1000 条数据，但是十秒钟才能插入一次数据这样的频率，
因此，在插入数据之前，这 1000 条数据采用数据结构 B 来保存
意味着必须批量插入到本地的数据结构 A 中，
试着思考一下这个需求：用什么数据结构好，也就是 A 和 B 应该是什么数据结构呢，什么数据结构实现了这种场景下最优时间复杂度和空间复杂度？

这个题目还真不好理解...