「请教贴」 Python 爬虫如何把单核跑满

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

这是一个创建于 1303 天前的主题，其中的信息可能已经有所发展或是发生改变。

需求场景：

目标有采集需求，对于效率要求比较高，但是程序运行的过程中对于内存资源消耗比较严重，对于 cpu 使用率就很低，结果造成了大量 cpu 资源的浪费。所以想请教一下 python 爬虫有什么办法能充分利用 cpu 性能从而提升效率么

CPU

Python

请教

效率

22 条回复 • 2021-06-09 16:37:29 +08:00

liprais

2021-06-04 18:27:33 +08:00 via iPhone

你想的太简单了，建议好好想想

efaun

2021-06-04 18:46:50 +08:00

协程，异步

geebos

2021-06-04 18:56:23 +08:00

多线程或者协程。但是大概率速度起来会触发反爬，所以还得加代理。

youngce

2021-06-04 19:03:48 +08:00

亲这边建议买 1 核 1T 内存的机器，这样就不会浪费 CPU 资源了。

好了不扯淡了，爬虫本身就是 IO 密集操作，你闲 cpu 没用上，就需要多用代理 IP，并发的来发送 HTTP 请求，这样 CPU 才有机会来解析页面什么计算密集操作。

keylock

2021-06-04 19:05:09 +08:00

使用异步框架，如 sanic 等，配合 aiohttp(代替 requests)

winnerczwx

2021-06-04 19:37:04 +08:00

建议先看下时间用在哪儿了, 可能是网络 io 也可能是硬盘 io 也可能是并发量没上去

chenqh

2021-06-04 19:46:01 +08:00

用链接池呀
比如 requests, 使用全局 session,快很多的

no1xsyzy

2021-06-04 20:44:24 +08:00

大概率你把千兆带宽跑满了 CPU 也只有单核的 50% 不到。

mckelvin

2021-06-04 21:12:33 +08:00

一般来说网络爬虫的瓶颈是网络 I/O，也就是说 CPU/内存 /磁盘的使用尚在资源富裕的时候，网络 I/O 先到瓶颈了。网络 I/O 瓶颈具体细分看也有好多类型，比如如果是同步阻塞的网络，会花很多时间在等待网络资源收发上。这种情况下可以通过非阻塞(non-blocking)的方式在单个进程内管理多个网络连接同时抓取(底层的系统调用可能是 poll/select)。当然用多线程或者多进程阻塞地请求网络资源也能达到相同的目的，但是代价更贵。此时抓取效率增加后如果反爬机制还没工作的话，瓶颈可能出现在网络带宽上，如果网络带宽也很足的话那接下去瓶颈可能出在 CPU/磁盘 /内存。如果你磁盘容量大，性能好，内存也很充足的话，那 CPU 才可能成为瓶颈，这是你才有机会把 CPU 跑满，让 CPU 成为瓶颈。

但是如果你只是单纯相当 CPU 假装很忙的话，可以不用多路复用而选择开很多很多线程，这样 CPU 就可以在 context switching 这件事情上摸鱼了。

GrayXu

2021-06-04 21:21:51 +08:00

你的思路就有问题，从 system 的角度来看，优化的思路不是直接想利用 XX 的空闲资源看能干嘛，而是先寻找瓶颈，才有解决方案。而爬虫一般的瓶颈显然是出现在网络 IO 上。

leimao

2021-06-04 22:28:33 +08:00 via iPhone

asyncio

just1

2021-06-04 22:33:17 +08:00

上协程，忽略 https 校验，多核配合多进程。如果还是资源吃紧，换语言吧。
https://hunsh.net/archives/74/

ClericPy

2021-06-04 23:31:41 +08:00

几个关键词吧

无栈协程 (比多线程快一倍多, 比有栈的略快大概一半, 不过也可能是 HTTP 库的差距)
aiohttp (Cython 提速, 比 httpx 快差不多一倍)
uvloop (有它没它速度能差接近一倍)
共用 Session (比每次新开一个连接快很多, 尤其高并发的时候)
高带宽机器(比如我 aws 上上千并发就能抗住, 阿里云小水管就给我超时...)
根据带宽控制 Semophare, 既要避免特别慢的拖累别人, 也要避免带宽已满却额外开了一群连接实际速度没有提升还导致 read 超时

目前拿本机接口单核随便跑跑接近 3000 qps, 比 golang 慢了不多(如果简简单单请求一下, golang 还是挺香的), 不过已经是 2 年前的结论了

楼上的忽略 https 也是个好办法, ssl=False

CEBBCAT

2021-06-04 23:38:46 +08:00 via Android

有必要优化得很好吗？站点没有被你怕挂吧？

figo

2021-06-05 00:17:05 +08:00

跑得太快目标站都挂了

so1n

2021-06-05 00:58:03 +08:00 via Android

方向错了。。。爬虫一般不会吃 cpu 都是 io 和内存为主

locoz

2021-06-05 05:48:56 +08:00

爬虫主要还是个 IO 密集型的东西，CPU 资源都是解析内容的时候吃得多，如果想要让 CPU 压力高点，那就多加点并发...
另外，通常情况下爬虫程序的内存占用高就代表着 CPU 占用也会高，毕竟待解析和存储的内容都在内存里堆着。但从你说的情况来看貌似只有内存占用高，这很可能是你的程序有问题，用了内存却没有及时释放，所以内存占用才高，建议检查一下代码。