热门问题python爬虫的效率如何提高

时间：2022-03-05 09:51:30|栏目：Python代码|点击：次

简单版本爬虫

我们先来一个简单的爬虫，看看单线程处理会花费多少时间？

import time
import requests
from datetime import datetime
def fetch(url):
    r = requests.get(url)
    print(r.text)
start = datetime.now() 
t1 = time.time()
for i in range(100):
    fetch('http://httpbin.org/get') 
print('requests版爬虫耗时：', time.time() - t1)
# requests版爬虫耗时：54.86306357383728

我们用一个爬虫的测试网站，测试爬取100次，用时是54.86秒。

多线程版本爬虫

下面我们将上面的程序改为多线程版本：

import threading
import time
import requests
def fetch():
    r = requests.get('http://httpbin.org/get')
    print(r.text)
t1 = time.time()
t_list = []
for i in range(100):
    t = threading.Thread(target=fetch, args=())
    t_list.append(t)
    t.start() 
for t in t_list:
    t.join() 
print("多线程版爬虫耗时：", time.time() - t1)
# 多线程版爬虫耗时：0.8038511276245117

我们可以看到，用上多线程之后，速度提高了68倍。其实用这种方式的话，由于我们并发操作，所以跑100次跟跑一次的时间基本是一致的。这只是一个简单的例子，实际情况中我们不可能无限制地增加线程数。

多进程版本爬虫

除了多线程之外，我们还可以使用多进程来提高爬虫速度：

import requests
import time
import multiprocessing
from multiprocessing import Pool
MAX_WORKER_NUM = multiprocessing.cpu_count() 
def fetch():
    r = requests.get('http://httpbin.org/get')
    print(r.text) 
if __name__ == '__main__':
    t1 = time.time()
    p = Pool(MAX_WORKER_NUM)
    for i in range(100):
        p.apply_async(fetch, args=())
    p.close()
    p.join()
 
    print('多进程爬虫耗时：', time.time() - t1)
 
多进程爬虫耗时： 7.9846765995025635

我们可以看到多进程处理的时间是多线程的10倍，比单线程版本快7倍。

协程版本爬虫

我们将程序改为使用 aiohttp 来实现，看看效率如何：

import aiohttp
import asyncio
import time 
async def fetch(client):
    async with client.get('http://httpbin.org/get') as resp:
        assert resp.status == 200
        return await resp.text() 
async def main():
    async with aiohttp.ClientSession() as client:
        html = await fetch(client)
        print(html) 
loop = asyncio.get_event_loop() 
tasks = []
for i in range(100):
    task = loop.create_task(main())
    tasks.append(task) 
t1 = time.time() 
loop.run_until_complete(main()) 
print("aiohttp版爬虫耗时：", time.time() - t1) 
aiohttp版爬虫耗时： 0.6133313179016113

我们可以看到使用这种方式实现，比单线程版本快90倍，比多线程还快。