This crawler is a multiprocess crawler. Every page will create its own process to access whole downloading process. 这是一个多进程的爬虫,通过进程池在相册查找时按页创建进程,和在进入相册后查找每一页的照片时也是由进程池按页创建进程,可以大大加速查找和下载过程。
由于豆瓣有反爬虫机制,对于不带Cookie的访问频率有限制,查了一下资料,网上说是白天限制每分钟访问40次,夜晚100次,而我做并行查找的速率远远高于这个频率,所以被封了3个ip,于是我setCookie伪装浏览器以及在每下一张图片的时候延迟1秒的间隔,目前小数据量的情况下尚未被封ip,并且对进程池的最大并行进程数从50降到了5,不知道上千张图片会不会速度太慢,不敢尝试。网上有说设置VPN,固然可以,但是稳定的VPN都要收费的。
基本上是完全伪装浏览器的模式,只是会有碰到验证码的模式,目前的解决办法是,判断当前页是不是有验证码的html,如果是,则把验证码的图片爬下来,存在本地,看了之后手动输入验证。
当时考虑了多线程和多进程,并且pyhton官方是推荐使用多进程的,总结了一下原因有以下几点: 1、CPU密集型代码(各种循环处理、计数等等),在这种情况下,由于计算工作多,ticks计数很快就会达到阈值,然后触发GIL的释放与再竞争(多个线程来回切换当然是需要消耗资源的),所以python下的多线程对CPU密集型代码并不友好。
2、IO密集型代码(文件处理、网络爬虫等),多线程能够有效提升效率(单线程下有IO操作会进行IO等待,造成不必要的时间浪费,而开启多线程能在线程A等待时,自动切换到线程B,可以不浪费CPU的资源,从而能提升程序执行效率)。所以python的多线程对IO密集型代码比较友好。
#####注意: 但是这仅限于单核处理器,对于多核处理器。多核多线程比单核多线程更差,原因是单核下多线程,每次释放GIL,唤醒的那个线程都能获取到GIL锁,所以能够无缝执行,但多核下,CPU0释放GIL后,其他CPU上的线程都会进行竞争,但GIL可能会马上又被CPU0拿到,导致其他几个CPU上被唤醒后的线程会醒着等待到切换时间后又进入待调度状态,这样会造成线程颠簸(thrashing),导致效率更低
#####“python下想要充分利用多核CPU,就用多进程”
原因是:每个进程有各自独立的GIL,互不干扰,这样就可以真正意义上的并行执行,所以在python中,多进程的执行效率优于多线程(仅仅针对多核CPU而言)。
所以在这里说结论:多核下,想做并行提升效率,比较通用的方法是使用多进程,能够有效提高执行效率