我怎样才能更快地刮

Question

这里的工作是抓取一个从https://xxx.xxx.xxx/xxx/1.json 到https://xxx.xxx.xxx/xxx/1417749.json 的站点的API，并将其准确地写入mongodb。为此，我有以下代码：

client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
write_log = open("logging.log", "a")
min = 1
max = 1417749
for n in range(min, max):
    response = requests.get("https:/xx.xxx.xxx/{}.json".format(str(n)))
    if response.status_code == 200:
        parsed = json.loads(response.text)
        inserted = com.insert_one(parsed)
        write_log.write(str(n) + "\t" + str(inserted) + "\n")
        print(str(n) + "\t" + str(inserted) + "\n")
write_log.close()

但是完成这项任务需要很多时间。这里的问题是如何加快这个过程。

Answer 1

您可以从两个方面改进您的代码：

• 使用Session，这样就不会在每次请求时重新安排连接并保持打开状态；

• 在您的代码中使用asyncio 的并行性；

看这里https://pawelmhm.github.io/asyncio/python/aiohttp/2016/04/22/asyncio-aiohttp.html

Answer 2

首先创建所有链接的列表，因为所有链接都相同，只需更改迭代即可。

list_of_links=[]
for i in range(1,1417749):
    list_of_links.append("https:/xx.xxx.xxx/{}.json".format(str(i)))

t_no=2
for i in range(0, len(list_of_links), t_no):
    all_t = []
    twenty_links = list_of_links[i:i + t_no]
    for link in twenty_links:
        obj_new = Demo(link,)
        t = threading.Thread(target=obj_new.get_json)
        t.start()
        all_t.append(t)
    for t in all_t:
        t.join()

class Demo:
    def __init__(self, url):
        self.json_url = url

def get_json(self):
    try:
       your logic
    except Exception as e:
       print(e)

通过简单地增加或减少 t_no 你可以改变线程数..

Answer 3

假设您不会被 API 阻止并且没有速率限制，则此代码应该使该过程快 50 倍（也许更多，因为现在所有请求都使用同一个会话发送）。

import pymongo
import threading

client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
logs=[]

number_of_json_objects=1417750
number_of_threads=50

session=requests.session()

def scrap_write_log(session,start,end):
    for n in range(start, end):
        response = session.get("https:/xx.xxx.xxx/{}.json".format(n))
        if response.status_code == 200:
            try:
                logs.append(str(n) + "\t" + str(com.insert_one(json.loads(response.text))) + "\n")
                print(str(n) + "\t" + str(inserted) + "\n")
            except:
                logs.append(str(n) + "\t" + "Failed to insert" + "\n")
                print(str(n) + "\t" + "Failed to insert" + "\n")

thread_ranges=[[x,x+number_of_json_objects//number_of_threads] for x in range(0,number_of_json_objects,number_of_json_objects//number_of_threads)]

threads=[threading.Thread(target=scrap_write_log, args=(session,start_and_end[0],start_and_end[1])) for start_and_end in thread_ranges]

for thread in threads:
    thread.start()
for thread in threads:
    thread.join()

with open("logging.log", "a") as f:
    for line in logs:
        f.write(line)

Answer 4

很多年前我碰巧有同样的问题。我从不满意基于 python 的答案，它们非常慢或太复杂。改用其他成熟工具后，速度很快，再也回不来了。

最近我使用这样的步骤来加快进程如下。

1. 在txt中生成一堆url
2. 使用aria2c -x16 -d ~/Downloads -i /path/to/urls.txt 下载这些文件
3. 本地解析

这是迄今为止我想到的最快的过程。

在抓取网页方面，我什至下载了必要的*.html，而不是一次访问该页面，这实际上没有任何区别。当您点击访问页面时，使用requests 或scrapy 或urllib 等python 工具，它仍会为您缓存和下载整个网页内容。

Answer 5

如果你不想使用多线程，asyncio 也是一个解决方案

import time
import pymongo
import json
import asyncio
from aiohttp import ClientSession


async def get_url(url, session):
    async with session.get(url) as response:
        if response.status == 200:
            return await response.text()


async def create_task(sem, url, session):
    async with sem:
        response = await get_url(url, session)
        if response:
            parsed = json.loads(response)
            n = url.rsplit('/', 1)[1]
            inserted = com.insert_one(parsed)
            write_log.write(str(n) + "\t" + str(inserted) + "\n")
            print(str(n) + "\t" + str(inserted) + "\n")


async def run(minimum, maximum):
    url = 'https:/xx.xxx.xxx/{}.json'
    tasks = []
    sem = asyncio.Semaphore(1000)   # Maximize the concurrent sessions to 1000, stay below the max open sockets allowed
    async with ClientSession() as session:
        for n in range(minimum, maximum):
            task = asyncio.ensure_future(create_task(sem, url.format(n), session))
            tasks.append(task)
        responses = asyncio.gather(*tasks)
        await responses


client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
write_log = open("logging.log", "a")
min_item = 1
max_item = 100

loop = asyncio.get_event_loop()
future = asyncio.ensure_future(run(min_item, max_item))
loop.run_until_complete(future)
write_log.close()

Answer 6

尝试分块请求并使用 MongoDB 批量写入操作。

• 对请求进行分组（每组 100 个请求）
• 遍历组
• 使用异步请求模型获取数据（一组URL）
• 完成组后更新数据库（批量写入操作）

这可能会通过以下方式节省大量时间 * MongoDB 写入延迟 * 同步网络调用延迟

但不要增加并行请求数（Chunk size），会增加服务器的网络负载，服务器可能会认为这是DDoS攻击。

1. https://api.mongodb.com/python/current/examples/bulk.html

Answer 7

您可以做几件事：

1. 重用连接。根据下面的基准，它快了大约 3 倍
2. 您可以在多个进程中并行抓取

来自here的并行代码

from threading import Thread
from Queue import Queue
q = Queue(concurrent * 2)
for i in range(concurrent):
    t = Thread(target=doWork)
    t.daemon = True
    t.start()
try:
    for url in open('urllist.txt'):
        q.put(url.strip())
    q.join()
except KeyboardInterrupt:
    sys.exit(1)

this question 的可重用连接时间

>>> timeit.timeit('_ = requests.get("https://www.wikipedia.org")', 'import requests', number=100)
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
...
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
52.74904417991638
>>> timeit.timeit('_ = session.get("https://www.wikipedia.org")', 'import requests; session = requests.Session()', number=100)
Starting new HTTPS connection (1): www.wikipedia.org
15.770191192626953

Answer 8

您可能正在寻找的是异步抓取。我建议你创建一些批次的 url，即 5 个 url（尽量不要破坏网站），然后异步抓取它们。如果您对异步不太了解，请在 google 上搜索 libary asyncio。希望能帮到你:)