Как я могу скрести быстрее

Работа здесь , чтобы очистить АНИ сайт , который начинается с https://xxx.xxx.xxx/xxx/1.jsonк https://xxx.xxx.xxx/xxx/1417749.jsonи записать его точно MongoDB. Для этого у меня есть следующий 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()

Но это занимает много времени, чтобы сделать задачу. Вопрос в том, как я могу ускорить этот процесс.

Asyncio также является решением, если вы не хотите использовать многопоточность

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()

Есть несколько вещей, которые вы могли бы сделать:

1. Повторное использование соединения. В соответствии с нижеприведенным тестом он примерно в 3 раза быстрее
2. Вы можете обрабатывать несколько процессов параллельно

Параллельный код отсюда

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)

Сроки из этого вопроса для многоразового подключения

>>> 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

Вы можете улучшить свой код по двум аспектам:

• Использование a Session, чтобы соединение не перестраивалось при каждом запросе и оставалось открытым;

• Использование параллелизма в вашем коде с asyncio;

Посмотрите здесь https://pawelmhm.github.io/asyncio/python/aiohttp/2016/04/22/asyncio-aiohttp.html

То, что вы, вероятно, ищете, это асинхронная очистка. Я бы порекомендовал вам создать несколько пакетов URL-адресов, то есть 5 URL-адресов (постарайтесь не перебивать веб-сайт), и очищать их асинхронно. Если вы не знаете много об async, поищите в Google asyncio. Я надеюсь, что смогу помочь вам :)

Попробуйте разделить запросы на части и использовать операцию массовой записи MongoDB.

• сгруппировать запросы (100 запросов на группу)
• Итерация по группам
• Используйте асинхронную модель запроса для извлечения данных (URL в группе)
• Обновите БД после завершения группы (операция массовой записи)

Это может сэкономить много времени следующими способами: * Задержка записи MongoDB * Задержка синхронного сетевого вызова.

Но не увеличивайте количество параллельных запросов (размер чанка), это увеличит сетевую нагрузку на сервер, и сервер может подумать, что это DDoS-атака.

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

Предполагая, что вы не будете заблокированы API и что нет ограничений по скорости, этот код должен сделать процесс в 50 раз быстрее (возможно, больше, потому что все запросы теперь отправляются с использованием одного и того же сеанса).

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 меня случился такой же вопрос много лет назад. Меня никогда не устраивают основанные на Python ответы, которые довольно медленные или слишком сложные. После того, как я переключаюсь на другие зрелые инструменты, скорость становится высокой, и я никогда не возвращаюсь.

В последнее время я использую такие шаги для ускорения процесса следующим образом.

1. генерировать кучу URL в TXT
2. использовать aria2c -x16 -d ~/Downloads -i /path/to/urls.txtдля загрузки этих файлов
3. разбирать локально

Это самый быстрый процесс, который я когда-либо делал.

Что касается очистки веб-страниц, я даже загружаю необходимый * .html вместо того, чтобы посещать страницу по одному, что на самом деле не имеет значения. Когда вы нажимаете на страницу, с помощью таких инструментов Python, как requestsили scrapyили urllib, она все равно кэшируется и загружает весь веб-контент для вас.

Сначала создайте список всех ссылок, потому что все они одинаковые, просто измените его.

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 увеличивая или уменьшая t_no, вы можете изменить ни одного из потоков.