加快web抓取器速度

Question

我用一个相当简单的网络刮刀用scrapy抓取了23770个网页。我对scrapy甚至python都是新手，但还是设法写了一个爬虫来完成这项工作。然而，它真的很慢(它需要大约。28小时爬行23770页)。

我已经查看了scrapy网页、邮件列表和stackoverflow，但我似乎找不到初学者可以理解的编写快速爬虫的通用建议。也许我的问题不是爬虫本身，而是我运行它的方式。欢迎所有建议！

如果需要的话，我在下面列出了我的代码。

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from scrapy.item import Item, Field
import re

class Sale(Item):
    Adresse = Field()
    Pris = Field()
    Salgsdato = Field()
    SalgsType = Field()
    KvmPris = Field()
    Rum = Field()
    Postnummer = Field()
    Boligtype = Field()
    Kvm = Field()
    Bygget = Field()

class HouseSpider(BaseSpider):
    name = 'House'
    allowed_domains = ["http://boliga.dk/"]
    start_urls = ['http://www.boliga.dk/salg/resultater?so=1&type=Villa&type=Ejerlejlighed&type=R%%C3%%A6kkehus&kom=&amt=&fraPostnr=&tilPostnr=&iPostnr=&gade=&min=&max=&byggetMin=&byggetMax=&minRooms=&maxRooms=&minSize=&maxSize=&minsaledate=1992&maxsaledate=today&kode=&p=%d' %n for n in xrange(1, 23770, 1)]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        sites = hxs.select("id('searchresult')/tr")
        items = []      
        for site in sites:
            item = Sale()
            item['Adresse'] = site.select("td[1]/a[1]/text()").extract()
            item['Pris'] = site.select("td[2]/text()").extract()
            item['Salgsdato'] = site.select("td[3]/text()").extract()
            Temp = site.select("td[4]/text()").extract()
            Temp = Temp[0]
            m = re.search('\r\n\t\t\t\t\t(.+?)\r\n\t\t\t\t', Temp)
            if m:
                found = m.group(1)
                item['SalgsType'] = found
            else:
                item['SalgsType'] = Temp
            item['KvmPris'] = site.select("td[5]/text()").extract()
            item['Rum'] = site.select("td[6]/text()").extract()
            item['Postnummer'] = site.select("td[7]/text()").extract()
            item['Boligtype'] = site.select("td[8]/text()").extract()
            item['Kvm'] = site.select("td[9]/text()").extract()
            item['Bygget'] = site.select("td[10]/text()").extract()
            items.append(item)
        return items

谢谢!

Answer 1

下面是一组可以尝试的东西：

• 使用最新的scrapy版本(如果尚未使用)
• 检查是否使用了非标准中间件
• 尝试增加CONCURRENT_REQUESTS_PER_DOMAIN，如果此站点使用下载阈值并限制您的下载速度，请参阅(docs)
• turn (docs)
• try this thread)
• check this thread)
• log CONCURRENT_REQUESTS LOG_ENABLED = False yield items -查看是否存在任何问题，并尝试在scrapyd serviceH228<下运行相同的爬虫程序/code>
• 看看grequests + lxml的性能是否会更好(询问您在pypy上运行Scrapy时是否需要任何帮助来实现此solution)
• try，请参阅Running Scrapy on PyPy

希望这能有所帮助。

Answer 2

查看您的代码，我会说大部分时间都花在网络请求上，而不是处理响应上。@alecxe在他的回答中提供的所有提示都适用，但我建议使用HTTPCACHE_ENABLED设置，因为它会缓存请求并避免再次执行。这将有助于后续的爬行，甚至离线开发。在文档中查看更多信息：http://doc.scrapy.org/en/latest/topics/downloader-middleware.html#module-scrapy.contrib.downloadermiddleware.httpcache

Answer 3

我也在做网络抓取，使用优化的C#，它最终占用了CPU，所以我换成了C。

解析HTML会耗尽CPU数据缓存，并且非常确定您的CPU根本没有使用SSE 4.2，因为您只能使用C/C++访问此功能。

如果你做了计算，你很快就会受到计算的限制，但不会受到内存的限制。