Як можна швидше вискоблювати

Робота тут , щоб очистити АНІ сайт , який починається з https://xxx.xxx.xxx/xxx/1.jsonдо https://xxx.xxx.xxx/xxx/1417749.jsonі записати його точно MongoDB. Для цього у мене є такий код:

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()

Але для виконання цього завдання потрібно багато часу. Тут питання, як я можу прискорити цей процес.

asyncio також є рішенням, якщо ви не хочете використовувати багатопоточну нитку

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()

Можна зробити кілька речей:

1. Повторне використання з'єднання. Згідно з нижчим показником, це приблизно в 3 рази швидше
2. Ви можете вискоблювати паралельно декілька процесів

Паралельний код звідси

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)

Терміни з цього питання для багаторазового підключення

>>> 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

Ви можете покращити свій код з двох аспектів:

• Використовуючи a Session, щоб з'єднання не було впорядковано під час кожного запиту і залишалося відкритим;

• Використання паралелізму у коді з asyncio;

Подивіться тут https://pawelmhm.github.io/asyncio/python/aiohttp/2016/04/22/asyncio-aiohttp.html

Напевно, ти шукаєш асинхронний вискоблювання. Я рекомендую вам створити кілька пакетів URL-адрес, тобто 5 URL-адрес (намагайтеся не руйнувати веб-сайт), і скребте їх асинхронно. Якщо ви багато чого не знаєте про асинхронізацію, google для асинціо лібарії. Сподіваюся, я міг би вам допомогти :)

Спробуйте скинути запити і скористатися операцією запису об'ємного запису MongoDB.

• групувати запити (100 запитів на групу)
• Ітерація через групи
• Використовуйте асинхронну модель запиту для отримання даних (URL у групі)
• Оновіть БД після завершення групи (операція масового запису)

Це може заощадити багато часу такими способами * затримка запису MongoDB * затримка синхронного виклику в мережі

Але не збільшуйте кількість паралельних запитів (розмір Chunk), це збільшить завантаженість мережі сервера і сервер може вважати це атакою DDoS.

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

Якщо припустити, що API не буде заблоковано API і немає обмежень швидкості, цей код повинен зробити процес в 50 разів швидшим (можливо, більше, тому що всі запити зараз надсилаються за допомогою одного і того ж сеансу).

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)

У мене виникло те саме питання багато років тому. Я ніколи не задоволений відповідями на основі пітона, які є досить повільними або занадто складними. Після переходу на інші зрілі інструменти швидкість швидка, і я ніколи не повертаюся.

Останнім часом я використовую такі кроки, щоб прискорити процес наступним чином.

1. генерувати купу URL-адрес у txt
2. використовувати aria2c -x16 -d ~/Downloads -i /path/to/urls.txtдля завантаження цих файлів
3. розбирати локально

Це найшвидший процес, який я придумав поки що.

Що стосується скребкування веб-сторінок, я навіть завантажую необхідний * .html, замість того, щоб відвідувати сторінку раз за раз, що насправді не має ніякого значення. Коли ви натиснете на сторінку, з пітона інструментами , такими як requestsабо scrapyчи urllib, це ще кешем і завантажити весь веб - контент для вас.

Спочатку створіть список усіх посилань, оскільки всі однакові, просто змініть його ітерайте.

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)

Просто збільшуючи або зменшуючи t_no, ви можете змінити відсутність потоків ..