你可以先评估一下自己的爬虫是io密集还是cpu密集。
io密集:程序大部分时间花在了io等待上,比如网络io,即http请求等,磁盘io,即文件读写等。
cpu密集: 程序大部分时间花在了cpu计
你可以先评估一下自己的爬虫是io密集还是cpu密集。
io密集:程序大部分时间花在了io等待上,比如网络io,即http请求等,磁盘io,即文件读写等。
cpu密集: 程序大部分时间花在了cpu计算上,比如文本处理,数值计算等。
如果是io密集,那么你可以将这部分的功能通过线程池或者协程池进行并发,这样就提升了速度。
不过这里的网络io有个前提,你的带宽不是你爬虫的瓶颈。
如果是cpu密集,那么可以把这部分工作通过进程池(多进程)进行并行处理,这样就提升了速度。多进程则意味着你的机器是多核的。
不过还有一些地方是值得优化的,比如一些库的选择上,例如beautifulsoup虽然很方便,但是有更快的实现方式,比如selectolax的速度要快很多。
如果你无法判断,那么就先多线程,然后多进程吧。
如果是单机解决不了,就用工作队列吧,比如celery。多机并行,一定能提升速度,而且是水平扩展的,当然了,这得让你的任务能够分布式。