python 做爬虫真的很慢吗？（协程并发测试 ）

 

总有人说python做爬虫速度慢，能开并发数少，至于为什么慢就是说不上来，今天就是测试一下python语言的速度和并发数量。

在网络爬虫中，影响速度的有数据下载，数据解析，数据存储，最主要的影响是数据下载和数据存储，数据下载影响是网络IO，数据存储是磁盘IO，本次模拟数据下载是1s，然后数据存储直接是把数据存储到redis中，redis是内网的redis库。下面一次并发10w,100w,100w个任务的耗时情况。

服务器是使用的个人笔记本，配置如下

测试代码如下：

#-*-coding:utf-8-*-
import time
from gevent import monkey
monkey.patch_all()
import gevent
import redis

RedisDatabases = {
    "host": "10.10.25.207",
    "port": "6379",
}

r = redis.Redis(host=RedisDatabases['host'],port=RedisDatabases['port'], db=0)

def spider(item):
    time.sleep(1)
    r.sadd('test',item)

if __name__ == "__main__":


    start_time = time.time()

    result_List = [page for page in range(10000)]
    print ("本次接口获得的IP个数是：", len(result_List))
    from gevent import pool

    pool = pool.Pool(128)
    jobs = []
    for item in result_List:
        proxie = item
        jobs.append(pool.spawn(spider, item))
    gevent.joinall(jobs, timeout=3600)
    print("程序验证耗时：", time.time() - start_time)

测试一：

　　1w个任务，并发数128 耗时

　　

 

测试二：

　　10w个任务，并发数128 耗时

　　

 

 

 

测试三：

　　100w个任务，并发数128 耗时

 

 

测试四：

　　100w个任务，并发数256 耗时

 

测试五：

　　100w个任务，并发数512耗时

 

测试六：

　　100w个任务，并发数1024耗时

　　

 

 

 

 

测试七：

　　100w个任务，并发数2048耗时

　　

 

 

测试八：

　　100w个任务，并发数4096耗时

　　

 

 

 

测试九：

　　100w个任务，并发数8192耗时

　　

 

 　　并发数 8192  耗时521s，并且redis连接错误1785个，有时候不是并发数开的越大速度就越快

 

 

统计图：

　　　　

 

总结：

　　　　                 　　　　　　　　     

 

 

　　影响爬虫因素的方式是多种多样的，比如数据下载，数据存储，数据解析，数据库连接，cpu，内存，路由器，带宽等因素，但是绝对不是因为python是解释型语言，它的速度就应该理所当然的比其他的开发语言慢，强制说python做爬虫就比go做爬虫慢或者能开的并发数量少，这肯定是片面的认知。用python做爬虫主要是优点是开发速度快，代码维护方便，如果一味的追求效率，可以用c或者c++,开发半个月，维护要两天，等爬到数据的时候，黄花菜都凉了。