如何提高爬虫效率？Python下简单的进程、线程效率对比

在爬取海量的网络数据时，一方面我们需要确保爬虫不被网站服务器封掉，一方面也要提高爬虫的采集效率。

避免爬虫不被封掉，一般我们通过大量的代理IP构成代理池，通过代理来访问采集的网站，而对于如何提高爬虫的采集效率，就有很多种方法，比如：使用多进程、多线程、分布式、协程等等。

个人在实际的爬虫使用中，出于个人喜好和硬件条件，一般使用多进程和多线程。

下面，我们通过一个简单的例子，来对比一下，在普通情况下、使用多进程、使用多线程的情况下程序的运行效率：

遍历网址URL是爬虫中很常见的一个场景，我们使用一个列表模拟对URL的遍历：

from multiprocessing import Pool

from multiprocessing.dummy import Pool as TheaderPool

首先是使用for循环：

def test1():

    for n in range(10000):

        for i in range(100000):

            n += i

%time test1()

返回结果：

Wall time: 1min 15s

使用两个for循环分别遍历10000次，一共花费了15秒的时间

接着，我们看看一个使用for循环，一个使用多线程的情况，由于熟悉程度的原因，在此使用的是multiprocessing.dummy模块中的Pool方法进行多线程，而非Threading模块：

def test4():

    for n in range(100000):

        def test5(i):

            n += i

    tpool = TheaderPool(processes=1)

    tpool.map_async(test5,range(100000))

    tpool.close()

    tpool.join()



%time test4()

返回结果为：

Wall time: 118 ms

只花费了118毫秒。

下面再看看使用多进程的情况：

def test2():

    for n in range(100000):

        def test3(i):

            n += i

    pool = Pool(processes=1)

    pool.map_async(test3,range(100000))

    pool.close()

    pool.join()

%time test2()

所花费的时间为：199毫秒

Wall time: 199 ms

在这个简单的对比例子中，可以发现，不管是使用多线程还是多进程，多线程直接提高了一百余倍，多进程虽然比多线程慢一点点，但也有近一百倍的提高，都能够大幅地提高循环遍历的效率，当然，在实际的数据采集过程中，还要考虑网速和响应的问题，也需要考虑自身机器的硬件情况，来设置多进程或多线程。

http://zmister.com 同步更新