Python 爬虫并发极限是多少呢?

[Cy86]

模块介绍: 爬取网上很多公开的代理 IP 网址, HTTP HTTPS Sock5 , 去重后, 访问自己域名(返回 Json, 小于 300 字节), 用来测试匿名程度后保存

  不使用代理,仅本地网络测试
  设备:  联通光纤宽带(我一个人用) 下行 300M 上行 30    CPU: I7 7700HQ 4 核 8 逻辑处理器 内存: 16G 
  国内的服务器: 阿里云  1 核 2 内  1M

---

  单进程 + 异步: 
      URL 500 个
      asyncio.Semaphore(500)   
      aiohttp 设置超时时间为 1 秒

  结果: 并发 500 的成功率为 97%左右(偶尔抽风)
      每秒并发个数: 485

  多进程 + 异步:
      URL 500 个
      5 个进程 (每个进程平均 100 个 URL)
      asyncio.Semaphore(100)   
      aiohttp 设置超时时间为 1 秒

  结果:并发 500 的成功率为 99%左右(偶尔抽风)
      每秒并发个数: 495

  多进程 + 异步:
      URL 1600 个
      8 个进程 (每个进程平均 200 个 URL)
      asyncio.Semaphore(200)   
      aiohttp 设置超时时间为 1 秒

  结果:并发 1600 的成功率为 4% ~ 75%左右(大概率低于 30%)
      每秒并发个数: 64 ~ 1200

当前遇到的问题: 超过 500 并发后极其不稳定

  目前猜测之所以 500 是临界点, 可能联通限制连接数 1000 导致 或是  Windows 平台 select 限制

当前策略每三秒对所有 代理 IP 访问自己服务器进行测试 测试代理 IP 超时时间为 3 秒 通过超时次数,和响应时间(使用) 对每个 IP 分配权重来筛选,排序, 所以要很大程度上减少自身网络或程序的错误, 才尽可能保证代理 IP 的准确性于可用性, 毕竟能用的 IP 太少, 误封就太可惜了

  电脑性能和上行带宽没跑满, 多加几个服务器太浪费了

请问各位, 有什么方式能提高并发量, 或容错(误封可用 IP)的策略呢,

[chizuo]

你这个明显少了。我之前写了个爬虫 b 站排行榜的，多进程+异步 async+代理池，放到学校服务器上（ 20c+48G)，每秒并发可以轻松上千。不过持续不了多久，因为代理池太弱了，就会被封。
测试本地网页的话，应该能上万。

[ClericPy]

并发极限没测过, 反正协程自己跑就挺快了, requests + 多线程大概比 httpx 协程慢个 10%, gevent 不测

Test without uvloop, 12 logical CPUs.
Windows-10-10.0.18362-SP0
3.7.1 (v3.7.1:260ec2c36a, Oct 20 2018, 14:57:15) [MSC v.1915 64 bit (AMD64)]
================================================================================
test_aiohttp(3.6.2) : 2000 / 2000 = 100.0%, cost 1.158s, 1727 qps, 100.0% standard.
test_httpx(0.11.1) : 2000 / 2000 = 100.0%, cost 3.927s, 509 qps, 29.47% standard.

Test with uvloop, 1 logical CPUs.
Linux-4.15.0-13-generic-x86_64-with-Ubuntu-18.04-bionic
3.7.3 (default, Apr 3 2019, 19:16:38)
[GCC 8.0.1 20180414 (experimental) [trunk revision 259383]]
================================================================================
test_aiohttp(3.6.2) : 2000 / 2000 = 100.0%, cost 0.698s, 2866 qps, 100.0% standard.
test_httpx(0.11.1) : 2000 / 2000 = 100.0%, cost 2.337s, 856 qps, 29.87% standard.

以前随手测的, 请求本地 golang 只带 net/http 的 server

[lc7029]

具体说是看你配置和网络
家用宽带可能有运营商的限制连接数或者 QOS

[black11black]

很明显是你用 select 锁 512fd 的问题吧

[lithbitren]

@black11black 大佬，select 锁怎么解啊？我最近试了试一个挺火的 py 新框架 fastAPI，据说 qps 能上万，结果本地拿并发爬虫一打就死了，win10 上开服务并发量不能超 510，一超就爆 select 错直接垮了，stackoverflow 和 github 都没找到解答。。

[ericbize]

之前单位安全大佬写的 py 脚本 ， 在 kvm 的 ubuntu 上面打了 12w 条连接，直接把单位的网卡死了。 背景，电信专线，固定 ip，100M

[rockjike]

一般网站，爬虫并发多大会挂掉

[opengps]

@ericbize 你们单位的网络设备支撑的在线连接数可能用满了，所以没有连接可用，表现成网络卡死。我当初 gps 系统上云是因为 5 万多买的硬件思科防火墙只能支撑 25 万 tcp 长连接

[johnsona]

你先把反爬虫绕过去再说

[qsnow6]

提供一个数据，python 爬虫框架的扛把子，scrapy，每秒并发可以达到 1800 request /s

[binux]

@qsnow6 #10 开 HTTPS 开 gzip 就卡死了

[RicardoY]

@qsnow6 这是怎么测出来的，scrapy bench 只能跑到 2400min/s 左右

[qsnow6]

@RicardoY #12 不好意思，敲错了，单位是 min

[lithbitren]

我用 grequests 单线程最快每秒可以发 500-700 个 request，还没算上多进程，一次性可以同时建立数万的个协程请求，尤其找到一些复杂点的 API，没有保护的话必崩，同事里的个人几乎都被干崩过。
不过最近遇到一次严重的内存泄漏也是因为 grequests 的 gevent 给搞得，开了 20 万个协程，等了几分钟，直接爆了个 memory error，然后可能是 c 扩展里面的内存没有释放，程序炸了，idle 关了，内存占用率都还在 95%以上，开流氓工具清内存都清不掉，最后只能重启。

[Cy86]

@qsnow6 好吧... 我用协成单进程 9410min/s

[Cy86]

@lithbitren 目前用 grequests 能达到 13377min/s 但 timeout 的几率有点大, 很难控制在百分之 98 以下, 我再研究研究

[Cy86]

目前猜测是运营商的限制, 偶尔能突破 500 限制, 但阿里云和国外 VPS 测试依旧并发不满意, 服务器端可能是网络抖动的原因
目前:
国外: VPS 测试代理 IP 端口是否开放,过滤一波虚假的
家里: 单线程 异步 每秒 400 并发来使用, 3 秒能测试 1200 个代理 IP(GET 国内匿名测试服务器), 准确率达到百分之 98+%

[lithbitren]

@Cy86 外网 grequests 我这边最多也就射出秒均 200-300 这样，任何做过保护的网站都会秒封 IP，只要设了 timeout 怎么都会被短暂阻塞，我测的是自己搭的本地服务框架，算上回收处理时间是 500-700，其实应该算成服务器秒内处理请求数。单纯的看发射的话，本地的秒均单进程应该可以达到 900 多，刚刚测了 1000 个请求，服务器日志的的请求间隔是 1.1 秒这样。其实对于小服务器来说，做好保护的话最多是带宽资源占用导致其他人无法正常使用服务，但也不是这么好崩的。

[black11black]

@lithbitren 建议补习基础知识....想异步爬虫就好好原生异步，不要猴子补丁....select 机能限制就这么高性能啊，我猜测 select 限制是因为 select 默认 512fd，正好符合了你说的超 500 不稳定，有问题上 epoll 啊，我又不知道你代码怎么写的，纯粹瞎猜。py 原生异步切换携程的时间消耗是微秒级的，合理配置后可以到纳秒级，十万并发不好说，网络状况合适的条件下单线程一万肯定能达到，你这么低性能都出问题明显是网络问题或者代码写的有问题。。

[v2eeeeee]

并发的时候会考虑 linux 系统设置的 ulimit (max user processes)吗？
还是说网络流的并发都是一个进程 (单线程理解为一个进程) 维护的？

[lithbitren]

@black11black 没懂，grequests 用的 gevent 应该和之后的官方协程算另一套体系吧。。

[lithbitren]

@black11black grequests 的问题应该是解析数据占用了线程资源导致的效率瓶颈吧

[black11black]

@lithbitren 我一直不支持用猴子补丁，我不知道 grequests 的具体实现方式。但是你应该知道多线程是多线程，IO 复用是 IO 复用，你用线程的思考方式考虑 IO 复用是风马牛不相及的两码事。windows 下线程切换的默认时间片是十毫秒还是多少记不住了，linux 应该是几十微秒，基于线程模型理所当然是浪费大部分 IO 性能的，无所谓什么解析数据占用线程资源，就像 select 有监控上限，他不是 py 的并发极限，只是单纯你用了错误的方式而已

[lithbitren]

@black11black 不是，不推荐归不推荐，grequests 就是单纯的 gevent+request 的封装，并发爬虫几行写完了就是图个方便，协程是原理，但用 grequests 根本不需要懂协程，而且印象中是 3.5 之前就有了。单独 request 发送回收数据是需要解析时间解析的，从数据返回到数据解析成 request 对象也是需要时间的，是需要占用 GIL 资源的，切协程这个时间在解析数据这里是可以忽略不计的，但最后接收数据的时候阻塞的，如果任意一个请求的响应变慢或超时，整体的统计时间也会大幅增加。
我这里 win10 开线程的应该是不到 1ms 左右，协程应该也是几十微妙。
grequests 的核心代码就是一行 grequests.map(request_list)，计时函数只能放在这行代码的前后，实质统计到的是所有请求完整生命周期的时间。

[lithbitren]

@black11black 不过我之前说的确实也不对，grequests 的发送时间统计里包括了所有 request 对象的构建，request 发送接受，对返回内容解析几个过程，并不算是实质从第一个对象发出到最后一个对象发出的时间。

[chengxiao]

爬虫的极限是 代理池和账户号,其他都是浮云

[Cy86]

@chengxiao #26 日常监控 30 万个网站的更新, 每 5 分钟跑一次, 不需要账号和风控, 单站点请求一分钟一次都没有

[chengxiao]

@Cy86 #27 舆情?蜜度?

[macaodoll]

并发够用就行，别一味想着把你服务器性能全部打满，这样就离进去不远了。

[bug123]

我对付那种并发高的爬虫也简单，不封禁，只是偶尔返回政治敏感数据

[shanyaoxingtong]

代理池不够用多高的并发也没用啊，全被风控掉了

[seedai]

@chizuo 老哥，能利用爬虫做流量吗

[Cy86]

@chengxiao #28 每错是舆情

[Cy86]

@shanyaoxingtong #31 后面接了 5 家的代理池, 每天的总请求 13 亿, qps 能达到 15K, 咱们先讨论技术再讨论代理

[Cy86]

@macaodoll #29 感谢建议, 目前只是突然想到了技术上的问题, 在纠结 Python 为啥并发上不去, 卡点在哪