爬虫对自己服务器 CPU，内存和网速的影响

今天无事写一遍关于爬虫对计算机的影响，主要是给小白同学普及一下爬虫的基础知识。

　　在我们写爬虫的时候，首先会想到开多线程，如果使用的语言是Python，很不幸，因为Python存在  GIL,在任何时候，CPU内只有一条线程在运行，但是Python的多线程也能提高爬虫的速度，并且我们用python的多线程去写爬虫的时候，速度并不慢，这是为何呢？因为爬虫是偏向于io的，网络IO和磁盘io是爬虫的最大瓶颈，现在CPU的处理速度很快，相对于请求来说，CPU的速度更快。网络请求需要等待对方服务器的响应，这个过程比较慢。而下载到数据后往自己数据库插入数据需要等待自己的磁盘响应。那么有没有一个更好的方法实现爬虫的并发下载呢？

　　答案是 ： 有，我们可以使用第三方的框架，比如使用异步框架 gevent，tornado等，或者是Python的多进程+ 异步方法，可以大大的提高我们的下载速度。

　　

　　直接粘贴两张图片，第一种是消耗CPU和内存和带宽，第三张图片是多进程使用。

　　

　　　　　　　　　　　　　　　　　　　　第一种图片

 

　　

　　　　　　　　第二种图片

 

 

　　在爬取某个网站的时候，同时开启了64个进程，并且是异步的方法，下载速度稳定在700k左右，因为公司运维给网络限速了，不可能提高网速了，然后是内存消耗是87%,内存是12G，CPU消耗是百分之百，CPU消耗为何这么高呢？主要是数据解析需要消耗CPU和进程切换也需要消耗CPU。一个网页的大小应该在10k到20k之间，粗略统计一下，一分钟能下载1750个网页，包括数据的下载，解析和入库整个过程。这个下载速度是1750*60分钟 等于105000，也就是说一个小时是能下载十万个网页。

　　这个速度怎么样？我觉得这个下载速度是非常的慢，为何，因为这个网址他封ip了，需要通过代理去访问他们的服务器，这也是非常耗时的一个过程，只能通过ip池去解决，ip池里面维护了1000左右有效ip，并且有专门的服务去做验证，可以随时抽取一个ip去抓取目标网站。理想的状态是一分钟抓取3000条数据，一天24小时抓取500万左右个网页数据。

　　小伙伴是不是很惊讶？网络百分之九十的流量都是爬虫给贡献的，爬虫给目标网站造成了不小的压力，为了避免给目标网站造成破坏，不建议开启过多的并发。