Como raspar mais rápido

O trabalho aqui é para raspar uma API um site que começa a partir https://xxx.xxx.xxx/xxx/1.jsonde https://xxx.xxx.xxx/xxx/1417749.jsone escrevê-lo exatamente para MongoDB. Para isso, tenho o seguinte código:

client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
write_log = open("logging.log", "a")
min = 1
max = 1417749
for n in range(min, max):
    response = requests.get("https:/xx.xxx.xxx/{}.json".format(str(n)))
    if response.status_code == 200:
        parsed = json.loads(response.text)
        inserted = com.insert_one(parsed)
        write_log.write(str(n) + "\t" + str(inserted) + "\n")
        print(str(n) + "\t" + str(inserted) + "\n")
write_log.close()

Mas está demorando muito tempo para fazer a tarefa. A questão aqui é como posso acelerar esse processo.

o assíncio também é uma solução se você não quiser usar o multi threading

import time
import pymongo
import json
import asyncio
from aiohttp import ClientSession


async def get_url(url, session):
    async with session.get(url) as response:
        if response.status == 200:
            return await response.text()


async def create_task(sem, url, session):
    async with sem:
        response = await get_url(url, session)
        if response:
            parsed = json.loads(response)
            n = url.rsplit('/', 1)[1]
            inserted = com.insert_one(parsed)
            write_log.write(str(n) + "\t" + str(inserted) + "\n")
            print(str(n) + "\t" + str(inserted) + "\n")


async def run(minimum, maximum):
    url = 'https:/xx.xxx.xxx/{}.json'
    tasks = []
    sem = asyncio.Semaphore(1000)   # Maximize the concurrent sessions to 1000, stay below the max open sockets allowed
    async with ClientSession() as session:
        for n in range(minimum, maximum):
            task = asyncio.ensure_future(create_task(sem, url.format(n), session))
            tasks.append(task)
        responses = asyncio.gather(*tasks)
        await responses


client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
write_log = open("logging.log", "a")
min_item = 1
max_item = 100

loop = asyncio.get_event_loop()
future = asyncio.ensure_future(run(min_item, max_item))
loop.run_until_complete(future)
write_log.close()

Há várias coisas que você pode fazer:

1. Reutilize a conexão. De acordo com o benchmark abaixo, é cerca de 3 vezes mais rápido
2. Você pode raspar em vários processos em paralelo

Código paralelo a partir daqui

from threading import Thread
from Queue import Queue
q = Queue(concurrent * 2)
for i in range(concurrent):
    t = Thread(target=doWork)
    t.daemon = True
    t.start()
try:
    for url in open('urllist.txt'):
        q.put(url.strip())
    q.join()
except KeyboardInterrupt:
    sys.exit(1)

Tempos desta pergunta para conexão reutilizável

>>> timeit.timeit('_ = requests.get("https://www.wikipedia.org")', 'import requests', number=100)
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
...
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
Starting new HTTPS connection (1): www.wikipedia.org
52.74904417991638
>>> timeit.timeit('_ = session.get("https://www.wikipedia.org")', 'import requests; session = requests.Session()', number=100)
Starting new HTTPS connection (1): www.wikipedia.org
15.770191192626953

Você pode melhorar seu código em dois aspectos:

• Usando a Session, para que uma conexão não seja reorganizada a cada solicitação e seja mantida aberta;

• Usando paralelismo no seu código com asyncio;

Dê uma olhada aqui https://pawelmhm.github.io/asyncio/python/aiohttp/2016/04/22/asyncio-aiohttp.html

O que você provavelmente está procurando é a raspagem assíncrona. Eu recomendo que você crie alguns lotes de URLs, ou seja, 5 URLs (tente não quebrar o site) e raspe-os de forma assíncrona. Se você não sabe muito sobre assíncrono, pesquise no google pelo asyncio libary. Espero poder ajudá-lo :)

Tente dividir as solicitações e use a operação de gravação em massa do MongoDB.

• agrupar as solicitações (100 solicitações por grupo)
• Iterar pelos grupos
• Use o modelo de solicitação assíncrona para buscar os dados (URL em um grupo)
• Atualize o banco de dados após concluir um grupo (operação de gravação em massa)

Isso pode economizar muito tempo das seguintes maneiras: * Latência de gravação do MongoDB * Latência de chamada de rede síncrona

Mas não aumente a contagem de solicitações paralelas (tamanho do Chunk). Isso aumentará a carga de rede do servidor e o servidor pode pensar isso como um ataque DDoS.

1. https://api.mongodb.com/python/current/examples/bulk.html

Supondo que você não seja bloqueado pela API e que não haja limites de taxa, esse código deve tornar o processo 50 vezes mais rápido (talvez mais porque todas as solicitações agora são enviadas usando a mesma sessão).

import pymongo
import threading

client = pymongo.MongoClient("mongodb://127.0.0.1:27017")
db = client["thread1"]
com = db["threadcol"]
start_time = time.time()
logs=[]

number_of_json_objects=1417750
number_of_threads=50

session=requests.session()

def scrap_write_log(session,start,end):
    for n in range(start, end):
        response = session.get("https:/xx.xxx.xxx/{}.json".format(n))
        if response.status_code == 200:
            try:
                logs.append(str(n) + "\t" + str(com.insert_one(json.loads(response.text))) + "\n")
                print(str(n) + "\t" + str(inserted) + "\n")
            except:
                logs.append(str(n) + "\t" + "Failed to insert" + "\n")
                print(str(n) + "\t" + "Failed to insert" + "\n")

thread_ranges=[[x,x+number_of_json_objects//number_of_threads] for x in range(0,number_of_json_objects,number_of_json_objects//number_of_threads)]

threads=[threading.Thread(target=scrap_write_log, args=(session,start_and_end[0],start_and_end[1])) for start_and_end in thread_ranges]

for thread in threads:
    thread.start()
for thread in threads:
    thread.join()

with open("logging.log", "a") as f:
    for line in logs:
        f.write(line)

Eu tive a mesma pergunta há muitos anos. Nunca estou satisfeito com respostas baseadas em python, que são muito lentas ou muito complicadas. Depois de mudar para outras ferramentas maduras, a velocidade é rápida e nunca mais volto.

Recentemente, uso essas etapas para acelerar o processo da seguinte maneira.

1. gerar um monte de URLs em txt
2. use aria2c -x16 -d ~/Downloads -i /path/to/urls.txtpara baixar esses arquivos
3. analisar localmente

Este é o processo mais rápido que eu vim até agora.

Em termos de raspagem de páginas da Web, eu até faço o download do * .html necessário, em vez de visitar a página uma vez por vez, o que realmente não faz diferença. Quando você clica em visitar a página, com ferramentas python como requestsor scrapyou urllib, ele ainda faz cache e baixa todo o conteúdo da web para você.

Primeiro, crie uma lista de todos os links, pois todos são iguais, basta alterar a iteração.

list_of_links=[]
for i in range(1,1417749):
    list_of_links.append("https:/xx.xxx.xxx/{}.json".format(str(i)))

t_no=2
for i in range(0, len(list_of_links), t_no):
    all_t = []
    twenty_links = list_of_links[i:i + t_no]
    for link in twenty_links:
        obj_new = Demo(link,)
        t = threading.Thread(target=obj_new.get_json)
        t.start()
        all_t.append(t)
    for t in all_t:
        t.join()

class Demo:
    def __init__(self, url):
        self.json_url = url

def get_json(self):
    try:
       your logic
    except Exception as e:
       print(e)

Simplesmente aumentando ou diminuindo t_no, você pode alterar o número de threads.