最近用 PHP 写爬虫，自我感觉速度效率还不错

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3187 天前的主题，其中的信息可能已经有所发展或是发生改变。

自己做一个字典 /词典库,所以使用 PHP 从两个网站爬下来，格式化后入 MySQL 库

总共 7W 个字 /词，全部完成大概是半小时（感谢这两个网站似乎没有做限制，网站性能也不错）， CPU 利用率是在 150%（ 4 核心平均 40%）左右。

这个效率我还是能接受的，不知道有没有更快的？更快主要需要有哪些方面优化？

PHP

MySQL

网站

格式化

36 条回复 • 2018-01-12 21:37:48 +08:00

shiny

2016-03-02 16:09:51 +08:00

爬虫爬太快不是作死么

AlexaZhou

2016-03-02 16:12:39 +08:00

半小时大概 1800 秒

7W 条记录的话，如果每条记录查询一次，那么就是每秒 70000/1800 ＝ 38 次查询，并不算快

Strikeactor

2016-03-02 16:13:22 +08:00

比如复用长连接？

AlexaZhou

2016-03-02 16:14:44 +08:00

如果想更快可以多进程，异步

PHP 并不能异步，那么多开几个进程同时爬取可能会更快一些

ps ：爬虫太快了容易被封

zpvip

2016-03-02 16:23:29 +08:00

@szopen 请问爬的哪两个网站？

szopen

2016-03-02 16:23:56 +08:00

@AlexaZhou 你这个是查询数据库的计算， 7W 字词是入库后的数据。
每一条数据是从别人网站上爬下来的，因为要考虑网络请求失败问题（主要有网络超时，网站 403 ，获取到的数据不全等重复请求），所有并不是 38 次查询请求

est

2016-03-02 16:28:58 +08:00

好像有个说法是不用 sleep(3) 的爬虫都是爬虫届的耻辱么？

szopen

2016-03-02 16:28:58 +08:00

@zpvip 字典是这个 5156edu ，词典是另一个

szopen

2016-03-02 16:32:25 +08:00

@est 嘿嘿，我多线程， 50 个索引线程，每个索引线程再开 20 个内容线程，爬取时失败等待 500 微秒，然后每失败一次递增，看来是我运气比较好

crabRunning

2016-03-02 19:38:26 +08:00

@AlexaZhou
@est
爬虫不要裸着身子爬,用 tor 或者 hornet 之类代理,身份匿名不可追踪,不断更换 ip.我用来爬过人家密码库,php 开一百个进程.24 小时不停机,从来不 sleep.

lincanbin

2016-03-02 20:06:41 +08:00

PHP 里 curl_multi 实现并发确实很快，以前用来爬豆瓣可以跑到 30M+。
毕竟爬虫瓶颈不在入库，而在网络。
只要网络可以实现并发，用什么语言写都一样。

towser

2016-03-02 20:32:14 +08:00

爬出来能否分亨一份

szopen

2016-03-02 21:49:04 +08:00

@towser 数据不能共享

cxbig

2016-03-02 21:51:29 +08:00

爬虫的效率似乎取决于对方网站有没有加限制吧。。。

chineselittleboy

2016-03-02 23:02:02 +08:00 via Android

有代码开源研究研究么

binux

2016-03-02 23:08:02 +08:00

@crabRunning 为什么我用 Hornet 搜到的是 Gay Social Network ！你让我搜了什么！

yangqi

2016-03-02 23:10:21 +08:00

php 本来就是最好的语言，没什么意外啊

crabRunning

2016-03-03 00:11:28 +08:00

shiji

2016-03-03 00:16:50 +08:00

我曾经用 PHP 扫过疼群的音乐库，挂在服务器慢慢扫的，后来本来想逐一下载。。。结果发现疼讯把洞补上了，，，（是年尾那次针对版权音乐的升级）

eoo

2016-03-03 00:19:41 +08:00 via Android

都是大神

fuxkcsdn

2016-03-03 00:44:08 +08:00 via Android

@lincanbin 话说 curl_multi,如何做到开 8 个并发数，然后处理完 1 个马上再添加一个任务进去？就是保持有 8 个并发数

之前自己封装的 curl_multi 以为能达到这种效果，但后来自己开了台 http 服务器进行测试，发现是 8 个处理完了再添加 8 个，如果 8 个中 7 个完成， 1 个卡住了，也要等到这 1 个超时才会再添加新的 8 个任务

lincanbin

2016-03-03 00:49:17 +08:00

@fuxkcsdn 如果你想实现这个，你应该把爬虫程序封装成一个通过传入参数发起一次抓取的 PHP ，然后用另一个 PHP 程序通过 call 之前写的 PHP 子程序，再自己通过 memcached 之类的实现一个锁。

fuxkcsdn

2016-03-03 00:56:29 +08:00 via Android

@lincanbin 现在是用 redis 和 curl 实现类似效果，你说的封装是封装 curl_multi 还是 curl ？

2016-03-03 01:15:01 +08:00 via iPhone

@crabRunning 我表示很无辜收到了提醒被 at 了……

wd0g

2016-03-03 08:28:17 +08:00

全部排名已经查询完毕,总用时: 7306 秒,总添加: 2096164
单线程跑 JD 商品的数据
速度还可以,50 个 get 最慢 15 秒

wd0g

2016-03-03 08:31:18 +08:00

@crabRunning 用代理速度很慢吧,在终端不能看见唰唰唰的显示不舒服的说

WildCat

2016-03-03 09:20:48 +08:00

@crabRunning
您好，请教个问题， tor 如何切换 IP ？我在 linux 用 torsocks 貌似都是同一个 IP 。

crabRunning

2016-03-03 09:32:42 +08:00 via Android

@sb 兄弟，你这 ID 颇有我年轻时候的风范

crabRunning

2016-03-03 09:36:28 +08:00 via Android

@WildCat tor 出口在国外，用 ss

crabRunning

2016-03-03 09:41:26 +08:00 via Android

@wd0g tor-arm 可以显示你的上下行速度，以前用的时候上下 1m 多

sdrzlyz

2016-03-03 09:44:09 +08:00

爬虫瓶颈不在并发速度啊。。。。骚年

realpg

2016-03-03 09:50:51 +08:00

对方网络如果说没有限制并发，你这弱爆了

曾经确认发现某站没有爬虫限制，抓了整站百万的内容，也不过俩小时

curl_multi 大法好

miao

2016-03-03 10:40:37 +08:00

全世界最大的爬虫 google 蜘蛛他们用的什么技术

lincanbin

2016-03-03 11:54:35 +08:00

@fuxkcsdn curl 啊

lygmqkl

2016-03-23 15:32:24 +08:00 via iPhone

php curl+cli mode = 效率还可以的爬虫

毕竟爬虫的关键不在于多快，而在于对方的限制和本地网络状况

现在写爬虫我都习惯了 sleep 间隔了。一来没必要太快二来稳定更重要，多出两个小时就多两小时

allgy

2018-01-12 21:37:48 +08:00

@lincanbin curl_multi 不是真并发