問題描述

現(xiàn)在采用的是在windows 環(huán)境下 采用多線程的方式進(jìn)行爬取,使用beautifulsoup+lxml進(jìn)行解析.

N個(gè)爬取線程->解析隊(duì)列->1個(gè)解析線程->存儲(chǔ)隊(duì)列->1個(gè)存儲(chǔ)線程

整個(gè)執(zhí)行程序的效率卡在計(jì)算密集的解析線程中，如果只是增加解析線程數(shù)量的話，反而增加線程切換開銷速度變慢。

請(qǐng)問下 有什么辦法可以較為明顯的提升解析效率？

根據(jù)兩位大腿的說明 準(zhǔn)備采用異步爬取->解析隊(duì)列->N個(gè)解析進(jìn)程->存儲(chǔ)隊(duì)列->存儲(chǔ)線程

準(zhǔn)備開工

問題解答

其實(shí)我覺得, 你在前面N個(gè)爬取線程 可以換成協(xié)程/線程池實(shí)現(xiàn), 因?yàn)槟阍陬l繁創(chuàng)建線程本省一種性能耗費(fèi), 用線程池雖然可以減少這部分的損耗, 但是上下文切換還是無法避免, 所以協(xié)程這方面, 應(yīng)該是比較合適的.1個(gè)解析線程 換成 進(jìn)程池,多開幾個(gè)進(jìn)程去計(jì)算密集處理, 其余應(yīng)該可以不用改, 如果還想再搞, 將核心部分用c/c++ 重寫咯, 希望可以幫到你

我的做法是多進(jìn)程。多進(jìn)程的好處是當(dāng)單機(jī)性能不夠的時(shí)候，可以隨時(shí)切換為分布式爬蟲。

可以網(wǎng)上找下tornade異步爬蟲吧,我正在用這個(gè)