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
linhanqiu
V2EX  ›  Python

关于 Python 大量爬虫的问题,在同时爬大批量网站时,比如几万个,在服务器带宽有限的情况下如何优化

  •  
  •   linhanqiu · 2018-04-07 10:29:27 +08:00 · 3786 次点击
    这是一个创建于 2434 天前的主题,其中的信息可能已经有所发展或是发生改变。

    我这里举个例子,比如要跑一万个网站, 单机,带宽 4M,异步跑的话,必然会有很多网站传回响应会在带宽方面被限制,最次解决办法:是否增加网站的超时时间可以缓解,高级一点:可以通过引入队列,判断任务并发个数,来判断是否执行任务,来增加网站的传回响应时间以及减少网站丢失数据的可能性,更高级一点:你们来说!!!!

    9 条回复    2018-04-08 00:51:38 +08:00
    lihongjie0209
        1
    lihongjie0209  
       2018-04-07 11:15:32 +08:00   ❤️ 1
    再跑一台 10M 带宽的机器, 只用来下载, 下载数据直接通过 redis 之类的工具传给解析器
    这样做的好处:
    1. 把瓶颈分离: 下载服务器只需要关注带宽, 解析服务器只需要关注 CPU 和数据库, 配置不足升级也方便
    2. 好扩展: 你可以随时添加任意数量的下载服务器
    Nick2VIPUser
        2
    Nick2VIPUser  
       2018-04-07 11:34:27 +08:00 via iPhone
    依我看最高级的就是加机器做分布式爬取,cpu 和带宽有限,这是硬性限制条件了
    Kilerd
        3
    Kilerd  
       2018-04-07 11:37:46 +08:00
    分布式爬,做并发限制。
    cxh116
        4
    cxh116  
       2018-04-07 11:39:30 +08:00 via Android
    阿里云 腾讯云不限流入带宽的。
    你可以在服务器上用 wget 测试一下下载文件的速度。
    ericbize
        5
    ericbize  
       2018-04-07 11:45:26 +08:00 via Android
    @cxh116 阿里云大概跑个 10MB/s , 腾讯云也就 2,3MB/s 感觉家里的宽带还快一点
    julyclyde
        6
    julyclyde  
       2018-04-07 12:07:48 +08:00
    用带宽测量值反馈控制并发度
    linhanqiu
        7
    linhanqiu  
    OP
       2018-04-07 14:15:52 +08:00
    @julyclyde 这个可以
    silencefent
        8
    silencefent  
       2018-04-07 14:20:39 +08:00
    现在家用宽带比服务器实惠多了 200Mbps 下行 50Mbps 上行
    买个 amdRyzen+16G 跑的飞起
    tempdban
        9
    tempdban  
       2018-04-08 00:51:38 +08:00 via Android
    硬要靠的话,我觉得可以参考 tcp 拥塞避免相关算法实现,慢启动,拥塞窗口
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   4912 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 31ms · UTC 03:59 · PVG 11:59 · LAX 19:59 · JFK 22:59
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.