这是一个创建于 1900 天前的主题，其中的信息可能已经有所发展或是发生改变。
RT 想问一下，关于爬虫效率的问题。
假设前提：
爬虫服务器：1. 单机。2. 网络 1000 Mpbs。3. 硬件（ CPU，内存条，磁盘）当前市场高配水平。
目标网站服务器：1. 不限制 IP，不限访问频率。2. 无限的响应速度（高并发，低延迟）。
请问各位大佬，在上面的前提下，想要最大化爬虫的效率，有哪些优化措施？另外，是不是线程池大小越大越好？
 |
1
xeaglex 2019-10-15 12:12:50 +08:00 via Android  1
尽量调大。CPU，硬盘 IO，网络 IO，三者之一跑满其一为止
|
 |
2
wangyzj 2019-10-15 12:30:57 +08:00
把 CPU 干满
|
 |
3
wangkai0351 2019-10-15 12:37:19 +08:00 1
我是外行不懂这个，爬虫应该是 IO 密集操作，多线程的异步搞了没有。
|
 |
4
taogen OP @wangkai0351 #3 异步没有考虑到，等会研究一下。十分感谢~
|
 |
5
ClericPy 2019-10-15 12:47:09 +08:00 1
以前在 python 里测试过, 1 核 CPU, 线程并发 1 到 2 , 提升明显, 2 到 5 变化也很大, 超过 5, 线程切换开销比较大的情况下, 耗费时间就没那么明显的优势了. python3 ThreadPoolExecutor 官方建议的好像是 n*5, 也就是 pool size 是 None 的时候
if max_workers is None: # Use this number because ThreadPoolExecutor is often # used to overlap I/O instead of CPU work. max_workers = (os.cpu_count() or 1) * 5 不过协程的时候就不会太讲究了, 开 100 并发, 性能一直是线程三倍以上 |
 |
6
sadfQED2 2019-10-15 12:53:17 +08:00 via Android
这是什么网站这么好爬啊，另外，出租人道主义，别太过分吧，太过分别人加上验证码，加上 ip 限制，大家都加班
|
 |
8
RicardoY 2019-10-15 13:27:14 +08:00 via Android 1
要上异步 io 的 如果希望效率好的话 scrapy 或者 pyspider 考虑一下
|
 |
9
ddddad 2019-10-15 13:35:16 +08:00
跟 cpu 核数差不多就可以了，再多线程切换消耗比较大。影响因素也挺多的
ps:影响网站运行就违法了 |
 |
10
lolizeppelin 2019-10-15 13:36:39 +08:00
要抓住重点,池不池不重要,核心是要跑满 cpu
但是要避免线程多了上下问切换是浪费掉的 因为 python 多线程是废的,根本不用考虑多线程, 协程+多进程就是 |
|
11
taogen OP @lolizeppelin #10 豁然开朗，多谢大佬指点
|
 |
12
zjh6 2019-10-15 13:48:02 +08:00
其实爬虫没用.因为没啥值得爬的.
|
 |
13
droiz 2019-10-15 13:50:12 +08:00 via iPhone
做爬虫也得有点道德啊，把人家打死了，追究起来你跑不了的
|
|
14
taogen OP 不是做爬虫的，只是一个后端 CRUD boy。最近学了一些爬虫相关知识，今天脑子里突然想到这个问题，所以发帖讨论一下，只是想加深一下理解。
感觉某些人很排斥，不过，谢谢大家的法律提醒。 |
 |
15
lishunan246 2019-10-15 14:19:11 +08:00
这种搞法一般叫压力测试。
|
|
16
taogen OP @lishunan246 #15 只是讨论的是客户端网络 IO 性能，不涉及服务端
|
 |
17
484A4B 2019-10-15 15:04:37 +08:00 1
一般是用进程+协程比较好
进程数量一般是 N+1，N 是 CPU 线程数 协程数量根据 CPU 性能，几十到几百不等 |
Select Language