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
clearT
V2EX  ›  Python

多进程加协程爬虫问题

  •  
  •   clearT · 2018-07-10 13:08:56 +08:00 · 2248 次点击
    这是一个创建于 2333 天前的主题,其中的信息可能已经有所发展或是发生改变。

    我想用 mutiprocess 和 gevent,requests 配合来爬取拉钩上面的关于各种语言的职位信息,思路就是每种语言开一个进程,比如 java 有 30 页职位信息,我就在 java 进程用 gevent 开 30 个协程去爬每 30 个页面职位信息,可是当我爬的时候发现进程数开多了之后, 多进程加协程却没有单纯的多进程爬取速度快,且随着进程数开启的越多,会有更多的页面 timeout,爬取失败。但单纯的多进程却始终维持在 34s 左右,且基本都爬下所有的页面。下面是我测试的数据:

    一个进程+多协程 12s

    一个进程 34s

    两个进程+多协程 26s

    两个进程 34s

    三个进程+多协程 51s

    三个进程 34s

    下面是我的主要代码,请问是我的进程和协程的使用姿势不对还是有什么问题吗,为什么在进程数开多了之后协程反而会拖慢爬虫的效率呢,第一次提问,如有不对之处请多多见谅,谢谢各位。

    def get_profession_jobs(self, professions):

        process = []
        for profession in professions:
            p = Process(target=self.get_all_pages, args=(profession, self.page_list))
            p.start()
            process.append(p)
        for p in process:
            p.join()
    

    def get_all_pages(self, profession, pages):

        print(os.getpid())
        jobs = [gevent.spawn(self.get_detail_page, profession, page) for page in pages]
        gevent.joinall(jobs)
        #for page in pages:
            #self.get_detail_page(profession, page)
    

    def get_detail_page(self, profession, page):

        user_agent = self.user_agents[random.randint(0, 3)]
        header = {
                    'Host': 'www.lagou.com',
                    'Referer': self.base_referer + profession,
                    'User-Agent': user_agent,
                    'Origin': 'https://www.lagou.com',
                    'Accept-Encoding': 'gzip, deflate, br',
                    'Accept-Language': 'zh-CN,zh;q=0.9',
                    'Accept': 'application/json, text/javascript, */*; q=0.01',
                    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8' }
    
        data = {'pn': page, 'kd': profession}
        print(profession + ' page ' + str(page) + ' start')
        response = requests.post(self.base_url, headers=header, data=data, timeout=20)
        self.clear_data(response.content, profession)
        print(profession + ' page ' + str(page) + ' finished')
    

    def clear_data(self, page, profession):

        results = json.loads(page.decode('utf-8'))['content']['positionResult']['result']
        for result in results:
            job_name = result['positionName']
            job_class = profession
            publish_date = result['createTime']
            money = result['salary']
            experience = result['workYear']
            education = result['education']
            location = result['city']
    
            with open('jobs.csv', 'a', newline='') as jobs:
                writer = csv.writer(jobs)
                writer.writerow([job_name, job_class, publish_date, money, experience, education, location])
    

    if name == 'main':

    start_time = time.time()
    professions = ['PHP', 'Python', 'Go', 'Java']
    spider = Spider()
    spider.get_profession_jobs(professions)
    end_time = time.time()
    print('All finished')
    print('Used ' + str(end_time-start_time) + ' seconds')
    
    4 条回复    2018-07-11 16:11:27 +08:00
    clearT
        1
    clearT  
    OP
       2018-07-10 13:17:40 +08:00
    希望有大佬帮忙看看,谢谢
    yulon
        2
    yulon  
       2018-07-10 19:06:10 +08:00
    打开任务管理器看看是不是带宽跑满了,都阻塞住了自然更慢
    lieh222
        3
    lieh222  
       2018-07-11 11:15:33 +08:00
    把每个页面的下载时间都打印出来就知道了吧。。。
    chengxiao
        4
    chengxiao  
       2018-07-11 16:11:27 +08:00
    问题在网速
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3157 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 24ms · UTC 14:28 · PVG 22:28 · LAX 06:28 · JFK 09:28
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.