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
做网络爬虫，python 的多线程，异步和 node.js 的异步哪个好？
pc10201 · 2014-02-12 09:36:16 +08:00 · 13812 次点击这是一个创建于 3964 天前的主题，其中的信息可能已经有所发展或是发生改变。
准备研究一下网络爬虫
自己做过测试，在局域网环境中python的多线程要比gevent要快一点
有没有高手来对比一下下面的各项？
python的多线程
python中的Tornado的异步http
nodejs的异步
另外多线程可能与异步结合在一起么？
感觉采集中最耗时的就是网络IO，数据抽取分析什么的倒是挺快
自己做过测试，在局域网环境中python的多线程要比gevent要快一点
有没有高手来对比一下下面的各项？
python的多线程
python中的Tornado的异步http
nodejs的异步
另外多线程可能与异步结合在一起么？
感觉采集中最耗时的就是网络IO，数据抽取分析什么的倒是挺快
 |
1
est 2014-02-12 09:42:46 +08:00
> 自己做过测试，在局域网环境中python的多线程要比gevent要快一点
贴出来看看？ |
 |
2
pc10201 OP @est 源代码不知放哪了，python的多线程是基于这个的https://github.com/pycurl/pycurl/blob/master/examples/retriever.py，gevent的不知道放哪了
|
 |
3
ipconfiger 2014-02-12 10:16:52 +08:00
python多进程+异步貌似会更加happy
|
 |
4
xieren58 2014-02-12 10:20:43 +08:00
推荐nodejs
|
 |
5
simpx 2014-02-12 10:21:18 +08:00  2
刚结束了自己的一个项目（爬虫+搜索），爬虫部分用的就是python gevent，我的经验可供参考下。
项目初期，我仅仅实现了一个demo，最简单的多线程+requests库+beautiful soup 后来为了性能，重构为异步IO，在tornado和gevent之间选择了一下，最后选择了gevent，倒不是因为技术原因，而是因为gevent更好写:) 而且还monkey patch了线程等库。此次重构还用自己写的正则匹配，替代了beautiful soup 再后来，爬虫抓取的目标增加了访问频率限制，不得不为爬虫增加了一个动态选择代理的功能，此次的重构耗时较多，也是此次重构为之后埋下了坑，动态选择的过程、代理的不稳定也成了耗时的原因。 为了进一步提速，但又需要绕过访问限制，而自己的服务器资源又不多（其实就一台爬虫服务器）。进行了又一次重构，此次重构可以说是业务上的进步，技术上的“倒退”，我发现如果进一步理解用户需求的话，其实用户需要的80%都是热点数据，而热点数据并不多。 于是改成了最简单的构架，多进程+requests库，用不到200行代码写了爬虫，把复杂的动态选择代理功能去了，仅仅用一个进程一个ip的原始策略抓取热点数据。多运行几个爬虫，问题就都解决了，而且稳定性，可维护性极大提升。 作为总结的废话是，如果楼主是打算做实际的项目，上线、盈利甚至以后会交给别人维护项目、代码，可以多分析一下用户需求，和自己的资源能力。写个爬虫做项目简单，解决自己埋下的坑很难。 |
 |
6
Ever 2014-02-12 10:25:37 +08:00
读取用gevent pool + requests
数据抽取用gevent threadpool + lxml (lxml会释放GIL) |
 |
7
julyclyde 2014-02-12 10:28:01 +08:00
多线程快是因为局域网速度快。你到公网试试就知道了
|
 |
12
gaicitadie 2014-02-12 11:36:23 +08:00
网络爬虫的瓶颈不在运算速度，在网速
|
 |
14
binux 2014-02-12 12:01:56 +08:00
拆开，抓取多线程或者异步，调度单进程，解析多进程。用FIFO队列串起来
|
 |
15
tomnee 2014-02-12 12:02:30 +08:00
grequest
|
 |
16
subpo 2014-02-12 12:13:09 +08:00
推荐nodejs，用类jquery的写法分析数据更得心应手
|
 |
17
wuyadong 2014-02-12 12:47:01 +08:00 3
https://github.com/JobsDong/tigerspider
好像是用tornado+redis写的爬虫 https://github.com/scrapy/scrapy 好像是用twisted写的爬虫 https://github.com/retresco/Spyder 好像是用tornado+zeromq写的爬虫 |
|
18
wuyadong 2014-02-12 12:48:33 +08:00
个人推荐，用tornado的异步+多进程，反正我是这么写的，其实到后面不是效率的问题了，是ip被封和验证码的问题了。。。
|
 |
19
wangfengmadking 2014-02-12 13:10:59 +08:00
我觉得怎么实现动态选择代理功能才是最大的一个坑
|
|
20
wangfengmadking 2014-02-12 13:11:53 +08:00
我自己写的爬虫爬yelp的数据，还没用多线程呢，很快就被封ip了
|
 |
21
allenwei 2014-02-12 15:09:51 +08:00
@wangfengmadking 赞同，代理才是爬虫的最大瓶颈，还没到遇到瓶颈的并发量也许那个网站就扛不住了，一般能扛得住的都有反爬虫机制
|
|
22
simpx 2014-02-12 15:38:30 +08:00
@wangfengmadking 哈哈，是的。我的方案是建立在众多不稳定的代理之上的。需要动态监测、删除没用的代理，实在是非常麻烦。最后发现，其实只要摸清了目标限制策略，买几个额外的服务器ip，用多进程爬虫就把问题解决的又快又好
|
 |
25
guoyang 2014-02-13 09:36:29 +08:00
你哪个语言用的最好，就哪个好！
|
 |
26
duwei 2014-02-13 11:24:35 +08:00
gevent的代码贴下？如果结果是比python多线程差的话，应该是没有利用上gevent的特性，比如使用了一些c的抓取库，这样的情况gevent是patch不到的。
|
 |
27
fire5 2014-02-13 11:36:38 +08:00
被人骂过， 如下：
”爬虫，还多线程？ 我们一般都每次抓取后sleep 3秒钟。高性能，多核。丢我们爬虫界的脸。“ 想想也是，悠着点，你好他也好。 |
 |
28
fork3rt 2014-02-13 16:25:22 +08:00
我一般都是 Python 多线程 + Google Bot的 header - -#
|
 |
29
yakczh 2014-02-20 21:34:14 +08:00
|
Select Language