本文讨论了Python Scrapy框架在处理IO密集型任务时的速率优化问题。由于Python的GIL限制，Scrapy的多线程效果有限，但可以通过调整CONCURRENT_REQUESTS增加请求并行数来提高效率。此外，降低TIMEOUT，自定义高效的link extractor，考虑使用gevent进行异步操作，以及分布式爬虫策略，都是提高Scrapy爬取速率的有效方法。
先来个图镇楼（图片源自网络，侵权立删）
-
scrapy基于twisted异步IO框架，downloader是多线程的。但是，由于python使用GIL（全局解释器锁，保证同时只有一个线程在使用解释器），这极大限制了并行性，在处理运算密集型程序的时候，Python的多线程效果很差，而如果开多个线程进行耗时的IO操作时，Python的多线程才能发挥出更大的作用。（因为Python在进行长时IO操作时会释放GIL）所以简单的说，scrapy是多线程的，不许要再设置了，由于目前版本python的特性，多线程地不是很完全，但实际测试scrapy效率还可以。
因为Python GIL的存在，scrapy无论如何设置都是单线程的。Scrapy里默认是10线程的设置是指的Twisted的线程，可以用来并行处理DNS之类的。但上面这些都不重要，因为爬虫是IO密集型的操作，所以只要有并发就可以了，无论是利用协程，callback还是其他方式实现并发。所以你要修改的不是线程数目而是Scrapy里request的并行数，只要这个数目大了一般速度都会增快，如果并行大了速度却没有提升，可能是DOWNLOAD_DELAY太大了，或者用了blocking的pipeline，等等原因
- 在 settings.py 里把 TIMEOUT 设小点
- 提高并发数（ CONCURRENT_REQ
最低0.47元/天 解锁文章
扫一扫
1369
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
