我正在研究大数据的web抓取,所以我编写了以下代码来从我们校园的本地服务器获取一些信息。它工作得很好,但我认为它的性能非常慢;每条记录需要0.91秒才能存储到数据库中。代码的作用是打开一个网页,获取一些内容并将其存储在磁盘上。
我的目标是将抓取记录所用的时间降低到接近0.4秒(如果可能的话,或者更短)。
#!/usr/bin/env python
import scraperwiki
import requests
import lxml.html
for i in range(1, 150):
try:
html = requests.get("http://testserver.dc/"+str(i)"/").content
dom = lxml.html.fromstring(html)
for entry in dom.cssselect('.rTopHeader'):
name = entry.cssselect('.bold')[0].text_content()
for entry in dom.cssselect('div#rProfile'):
city = entry.cssselect('li:nth-child(2) span')[0].text_content()
for entry in dom.cssselect('div#rProfile'):
profile_id = entry.cssselect('li:nth-child(3) strong a')[0].get('href')
profile = {
'name':name,
'city':city,
'profile_id':profile_id
}
unique_keys = [ 'profile_id' ]
scraperwiki.sql.save(unique_keys, profile)
print jeeran_id
except:
print 'Error: ' + str(i)发布于 2014-05-11 18:57:59
这是非常好的,你有明确的目标,你想要优化的程度。
首先测量抓取所需的时间
很可能,限制因素是抓取urls。
简化你的代码和测量,它需要多长时间来抓取。如果这不符合您的计时标准(例如一个请求需要0.5秒),您必须并行进行抓取。搜索StackOverflow,有许多这样的问题和答案,使用线程,绿色线程等。
进一步的优化技巧
解析XML -使用迭代/ SAX方法
您的DOM创建可以转换为迭代解析。它需要更少的内存,而且速度往往要快得多。lxml允许使用像iterparse这样的方法。另请参阅related SO answer
优化写入数据库
一个接一个地编写多个记录可以转化为成批编写它们。
https://stackoverflow.com/questions/23590956
复制相似问题