高效爬虫实战经典案例

Posted 2020-09-03 浪里白条_双河

最近，我接到一个任务，具体来说就是：

使用百度来搜索30万关键词，把搜索结果中出现的网站链接全部储存下来。

我们来计算一下，30万关键词，每个关键词百度会给出75个页面，就是2250万个网页的爬虫量。考虑到延时等在内，每秒平均处理一个页面，就需要22500000/(24*3600) = 260天时间，我们用并行处理，十个进程，并行，也需要26天，这简直不可接受

我的改进之路：

首先，考虑多线程，python的多线程不是那么强势，我最开始是这么做的：每一个关键词的75个url的处理，把处理出来的数据放在mysql里面，使用多线程，当处理完后，再来处理下一个关键词，这个程序我的实际运行效率是一个单词大概30秒，也就是一天能处理三千多个单词，程序要运行一百天

然后，我觉得爬每个关键词的结果放在mysql里面，因为要避免放入重复的数据，所以我每次都要判断是否存在，这个步骤很费时间，我想到了redis，并做了实验，由于redis在内存中，而且是键值对的形式，我把爬到的网址当作键，就不用检查是否重复了，并且我计算了一下，假设我最终得到500万不同的网址，每个网址的存储花费30Byte，也才5000000*30/1024 = 146484KB = 143MB，内存完全能够放下，至此，存储方面就可以不用怎么优化了

接着，我们发现一个问题，把每个关键词的75个url作为一个多线程模块，运行完之后，才处理下一个关键词，那么必然有一部分时间的并行量不够，这浪费了，所以我想把所有的单词的url都放入多线程，设置最大并行线程数，但是这样的问题就是不知道某个单词是否已经处理完毕，所以我进行预处理，专门使用一个程序来产生所有的url，并存入txt里面，这一步我也计算过，容量没问题，之后把整个url_list进行多线程操作，就快多了

还有，我发现百度的搜索页面可以一次显示50条信息，而不是最初的十条，这样，我的页面数量瞬间减少到了五分之一，又是一大进步。

同时，我研究了爬取的速度绝对是受网速影响很大的，比如，1MB/S，那么每秒最多处理1MB的数据，所以这个时候，使用Gzip对网页进行压缩，就能大大增加每秒可以下载的网页数目，增加了爬虫效率。

最终结果：

我使用预处理，得到了四百八十多万url，然后，20分钟，处理了28000条，我们算一下，每分钟处理一千四百个url，那么，我们所需时间为：4800000/（24*60*1400） = 2.3天，而且还没有用到多进程，比起最开始的十个进程并行，还需要26天，时间减少到了百分之一不到，真的很爽