Python爬蟲一天抓取百萬張網頁的方法是什么

小編給大家分享一下Python爬蟲一天抓取百萬張網頁的方法是什么，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

一、優化硬盤存儲

所以千萬級網頁的抓取是需要先設計的，先來做一個計算題。共要抓取一億張頁面，一般一張網頁的大小是400KB左右，一億張網頁就是1億X200KB=36TB 。這么大的存儲需求，一般的電腦和硬盤都是沒法存儲的。所以肯定要對網頁做壓縮后存儲，可以用zlib壓縮，也可以用壓縮率更好的bz2或pylzma 。

二、優化內存，URL去重

再來說內存占用問題，做爬蟲程序為了防止重復抓取URL，一般要把URL都加載進內存里，放在set()里面。拿天眼查的URL舉例：

https://www.tianyancha.com/company/23402373

這個完整URL有44個字節，一億個URL就是4G，一億個URL就要占用4G內存，這還沒有算存這一億個URL需要的數據結構內存，還有待抓取URL，已抓取URL還保存在內存中的html等等消耗的內存。

所以這樣直接用set()保存URL是不建議的，除非你的內存有十幾個G。

一個取巧的辦法是截斷URL。只把URL：https://www.tianyancha.com/company/23402373

的后綴:23402373放進set()里，23402373只占8個字節，一億個URL占700多M內存。

但是如果你是用的野云主機，用來不斷撥號用的非正規云主機，這700多M內存也是吃不消的，機器會非常卡。

就還需要想辦法壓縮URL的內存占用，可以使用BloomFilter算法，是一個很經典的算法，非常適用海量數據的排重過濾，占用極少的內存，查詢效率也非常的高。它的原理是把一個字符串映射到一個bit上，剛才23402373占8個字節，現在只占用1個bit（1字節=8bit），內存節省了近64倍，以前700M內存，現在只需要10多M了。

BloomFilter調用也非常簡單，當然需要先install 安裝bloom_filter：

from bloom_filter import BloomFilter
# 生成一個裝1億大小的
bloombloom = BloomFilter(max_elements=100000000, error_rate=0.1)
# 向bloom添加URL
bloom.add('https://www.tianyancha.com/company/23402373')
#判斷URL是否在bloombloom.__contains__('https://www.tianyancha.com/company/23402373')

不過奇怪，bloom里沒有公有方法來判斷URL是否重復，我用的__contains__()方法，也可能是我沒用對，不過判重效果是一樣的。

 三、反抓取訪問頻率限制

單臺機器，單個IP大家都明白，短時間內訪問一個網站幾十次后肯定會被屏蔽的。每個網站對IP的解封策略也不一樣，有的1小時候后又能重新訪問，有的要一天，有的要幾個月去了。突破抓取頻率限制有兩種方式，一種是研究網站的反爬策略。有的網站不對列表頁做頻率控制，只對詳情頁控制。有的針對特定UA，referer，或者微信的H5頁面的頻率控制要弱很多。

另一種方式就是多IP抓取，多IP抓取又分IP代理池和adsl撥號兩種，這里說adsl撥號的方式。

adsl的特點是可以短時間內重新撥號切換IP，IP被禁止了重新撥號一下就可以了。這樣你就可以開足馬力瘋狂抓取了，但是一天只有24小時合86400秒，要如何一天抓過百萬網頁，讓網絡性能最大化也是需要下一些功夫的，后面我再詳說。

至于有哪些可以adsl撥號的野云主機，你在百度搜”vps adsl”，能選擇的廠商很多的。大多宣稱有百萬級IP資源可撥號，我曾測試過一段時間，把每次撥號的IP記錄下來，有真實二三十萬IP的就算不錯了。

選adsl的一個注意事項是，有的廠商撥號IP只能播出C段和D段IP，110(A段).132(B段).3(C段).2(D段)，A和B段都不會變，靠C，D段IP高頻次抓取對方網站，有可能對方網站把整個C/D段IP都封掉。

C/D段加一起255X255就是6萬多個IP全都報廢，所以要選撥號IP范圍較寬的廠商。 你要問我哪家好，我也不知道，這些都是野云主機，質量和穩定性本就沒那么好。只有多試一試，試的成本也不大，買一臺玩玩一個月也就一百多元，還可以按天買。

四、網絡性能，抓取技術細節調優

上面步驟做完了，每天能達到抓取五萬網頁的樣子，要達到百萬級規模，還需把網絡性能和抓取技術細節調優。

1.調試開多少個線程，多長時間撥號切換IP一次最優。

每個網站對短時間內訪問次數的屏蔽策略不一樣，這需要實際測試，找出抓取效率最大化的時間點。先開一個線程，一直抓取到IP被屏蔽，記錄下抓取耗時，總抓取次數，和成功抓取次數。 再開2個線程，重復上面步驟，記錄抓取耗時，總的和成功的抓取次數。再開4個線程，重復上面步驟。

2.requests請求優化

要優化requests.get(timeout=1.5)的超時時間，不設置超時的話，有可能get()請求會一直掛起等待。而且野云主機本身性能就不穩定，長時間不回請求很正常。如果要追求抓取效率，超時時間設置短一點，設置10秒超時完全沒有意義。對于超時請求失敗的，大不了以后再二次請求，也比設置10秒的抓取效率高很多。

3.優化adsl撥號等待時間

上面步驟已算把單臺機器的抓取技術問題優化到一個高度了，還剩一個優化野云主機的問題。就是每次斷開撥號后，要等待幾秒鐘再撥號，太短時間內再撥號有可能又撥到上一個IP，還有可能撥號失敗，所以要等待6秒鐘（測試值）。所以要把撥號代碼改一下：

import os
# 斷開撥號
os.popen('rasdial 網絡名稱 /disconnect')
time.sleep(6)
# 撥號
os.popen('rasdial 網絡名稱 adsl賬號名 adsl密碼')

而且 os.popen(‘rasdial 網絡名稱 adsl賬號名 adsl密碼’) 撥號完成后，你還不能馬上使用，那時外網還是不可用的，你需要檢測一下外網是否聯通。

我使用 ping 功能來檢測外網連通性：

import os 
code = os.system('ping www.baidu.com')

code為0時表示聯通，不為0時還要重新撥號。而ping也很耗時間的，一個ping命令會ping 4次，就要耗時4秒。

知識Tips：

1.為什么不用異步抓取？

沒必要，這里的整個抓取關鍵是網絡性能，而不是程序性能。用異步把程序性能提高了，單位時間的抓取次數是提高了，但是這樣反而會擊中對方網站的訪問頻率控制策略

2.要計算對方的帶寬壓力

抓取歸抓取，但不要影響對方網站，把對方網站帶寬都打滿了。

一個中小型網站的帶寬在5M以內，大一點的網站帶寬可能10-30M，超大型的另算。

一張網頁300KB，對方一般會壓縮后傳輸給瀏覽器，就按壓縮后30KB算，你的爬蟲一秒請求20次，帶寬就是600KB。可能一個網站每天都有幾十個爬蟲都在爬，我們按有10個爬蟲在同時抓取，就是這些爬蟲一秒內就要消耗600KBX10=6M帶寬。

再加上還有正規爬蟲，人家網站上的正常用戶訪問這些，算下來可能一共要消耗10M帶寬。一般的大中型網站都是吃不消的。

以上是Python爬蟲一天抓取百萬張網頁的方法是什么的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！