web-dev-qa-db-ja.com

どのようにすればより速くこすることができますか

ここでの作業は、https://xxx.xxx.xxx/xxx/1.jsonからhttps://xxx.xxx.xxx/xxx/1417749.jsonまでのサイトのAPIをスクレイピングし、mongodbに正確に書き込むことです。そのために私は次のコードを持っています：

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()

しかし、それを行うには多くの時間がかかります。ここでの質問は、どうすればこのプロセスをスピードアップできるかです。

pythonmongodbweb-scrapingpymongo
16
Tek Nath

マルチスレッドを使用したくない場合は、asyncioもソリューションです

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()
5
Frans

あなたができることがいくつかあります：

  1. 接続を再利用します。以下のベンチマークによると、それは約3倍高速です
  2. 複数のプロセスで並行してこすることができます

ここ からの並列コード

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)

再利用可能な接続の場合 この質問 からのタイミング

>>> 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
10
keiv.fly

次の2つの点でコードを改善できます。

  • Sessionを使用して、リクエストごとに接続が再配置されずに開いたままになるようにします。

  • asyncioを使用してコードで並列処理を使用する;

ここを見てください https://pawelmhm.github.io/asyncio/python/aiohttp/2016/04/22/asyncio-aiohttp.html

6
albestro

おそらく探しているのは非同期スクレイピングです。私はいくつかのURLのバッチ、つまり5つのURL（Webサイトを壊さないようにしてください）を作成し、それらを非同期にスクレイピングすることをお勧めします。非同期についてあまり知らない場合は、ライブラリasyncioのgoogleを使用してください。お役に立てれば幸いです。

4
T Piper

リクエストをチャンクして、MongoDB一括書き込み操作を使用してみてください。

  • リクエストをグループ化する（グループごとに100リクエスト）
  • グループを反復する
  • 非同期リクエストモデルを使用してデータをフェッチする（グループ内のURL）
  • グループの完了後にDBを更新する（一括書き込み操作）

これにより、次の方法で多くの時間を節約できます* MongoDB書き込みレイテンシ*同期ネットワーク呼び出しレイテンシ

ただし、並列要求数（チャンクサイズ）を増加させないでください。サーバーのネットワーク負荷が増加し、サーバーはこれをDDoS攻撃と見なす可能性があります。

  1. https://api.mongodb.com/python/current/examples/bulk.html
3
thuva4

APIによってブロックされず、レート制限がないと仮定すると、このコードはプロセスを50倍高速化するはずです（すべてのリクエストが同じセッションを使用して送信されるようになるため、それ以上になる可能性があります）。

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)
3
Ibrahim Dar

私は何年も前にたまたま同じ質問をしました。かなり遅いか複雑すぎるpythonベースの回答に満足することはありません。他の成熟したツールに切り替えた後、速度は速く、二度と戻らない。

最近、私は次のようなプロセスをスピードアップするためにそのようなステップを使用しています。

  1. txtで一連のURLを生成する
  2. 使用する aria2c -x16 -d ~/Downloads -i /path/to/urls.txtこれらのファイルをダウンロードするには
  3. ローカルで解析

これは私がこれまでに考え出した最速のプロセスです。

Webページのスクレイピングに関しては、一度に1ページずつアクセスするのではなく、必要な* .htmlをダウンロードすることもあり、実際には違いはありません。 python requestsまたはscrapyまたはurllibなどのツールを使用してページにアクセスすると、Webコンテンツ全体がキャッシュされ、ダウンロードされますあなたのために。

2
anonymous

すべてが同じなので、最初にすべてのリンクのリストを作成し、変更を繰り返すだけです。

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)

T_noを単純に増減することで、スレッド数を変更できません。

1
mobin alhassan