关于爬虫并发量的疑问

[winnerczwx]

我在使用 scrapy 框架的过程中发现并发量上不去, 大概每秒 50 左右...想了解一下爬虫并发量除了跟网络, 源站点, 业务逻辑以外, 还有哪些因素会影响并发量呢?

1. 框架的并发设置是 500( 实际只有 50 )
2. 源网站性能应该是没问题的
3. 带宽 100M(实际并跑不满, 每秒大概只有 1M 左右)
4. 业务没有复杂逻辑, 页面下载完后就两个 xpath, 2 个正则, 然后就入库了
5. 硬盘是阿里云的云盘, 大概是 1240 IOPS 左右
6. 服务器 cpu 是 2 核的 (不知道是不是因为配置太低成为了瓶颈)

求大佬们解惑

[opengps]

你怎么确定源站服务器性能没问题？你这么疯狂爬取，最大的问题就是源站压力，每秒 50，一个页面怎么说也得有几次的硬盘读取，普通硬盘的话 io 可能已经到了极限了

[winnerczwx]

@opengps 因为我也想知道是不是源站服务器有压力...所以在爬取过程中也访问了源站的页面, 依旧是瞬间打开.... 一个页面没多少东西,去掉页头页尾和一些广告,正文部分只有几百字

[guochao]

祭出祖传 brendan gregg 的图
http://www.brendangregg.com/Perf/linux_observability_tools.png

这玩意儿建议你在本地做个 benchmark 。如果本地做不了，就监测服务器的指标，主要是 CPU 使用率、CPU 负载、内存、SWAP 、磁盘 bandwidth 、磁盘 iops 、磁盘 latency 、带宽占用、网络延迟这些。要不然谁都不知道你这是什么问题

监控是比较模糊的。有条件的话还做全栈追踪，比如说试试看 zipkin 这类东西，看看具体什么东西在哪里花了多久。

[heiheidewo]

真特么服了楼主这种，我以前碰到一个人爬我的数据，nginx 设置了单个 ip 每秒请求 100 次，活生生被这个人打满了，最后我也没屏蔽他的 IP 。
恶意爬虫就应该被抓起来批斗

[winnerczwx]

@guochao 感谢!

[winnerczwx]

@heiheidewo 请问怎样的爬虫属于善意, 怎样的又属于恶意?

[heiheidewo]

@winnerczwx 只要影响了别人网站的业务就是恶意爬虫，要是不影响那就无所谓吧

[just1]

top 看一下系统资源占用吧

[jugelizi]

控制频率是每个爬虫工程师值得做的事情

[winnerczwx]

@heiheidewo 我在评论里回复了, 爬取过程中我访问他页面是瞬间打开的, 跟平时没有区别... 而且当时在凌晨, 那个时间段我估计他网站也没有流量

[winnerczwx]

@just1 cpu 在百分之 40-50 左右, 内存在百分之十几

[jones2000]

都是开源的直接看源码呗， 查下这个并发是同时启动 500 个线程吗？如果不是，就改源码同时开 500 个线程同时抓。

[jones2000]

先确保你这个“并发设置是 500” 是 1 个进程里同时开 500 个线程去抓取吗？ 还是使用多进程+多线程的方式达到 500 个同时抓。

[herozzm]

我用 go 写的爬虫，家用带宽，爬的外面的多个网站，1000 多并发一点问题没有啊

[locoz]

你可以打日志记录一下请求、解析、入库这三步每一步的耗时，这样就能很直观地看出哪一步慢、哪一步会被别的东西卡住了，然后再继续细化日志粒度、结合断点就能找到问题点。

另外，单机 50 并发对于单个网站而言已经挺高了，更别提 500 了…建议别搞那么高并发，对你自己好对别人服务器也好。

[locoz]

@heiheidewo #7 也不一定，涉及到别人的利益也可以是恶意爬虫🤣

[imdong]

并发跑 500 。不知对方是什么网站，怎么得罪人了...

一秒跑 50 个，对于普通个人小站来说，已经是挺大的负载了（如果都是动态页的话）。

楼主不妨本地建一个，镜像站，然后你爬 127.0.0.1 试下能不能上去。

[daiqiangbudainiu]

scrapy 的并发配置贴出来看看？

[d0v0b]

@winnerczwx 恶意爬虫我的理解就是影响别人赚钱了，else 你爱咋咋滴

[Cy86]

@herozzm 每秒 1000 么, 我家运营商貌似限制 500 并发