Python抓取网页的性能问题

抓取网页过程中，软件的性能瓶颈当然是网络连接，这是第一时间可以想到的。此外，通过cProfile.run和pstats.Stats，也可以清楚地看出来。一般来说，可以通过下面几个方法来解决这个问题：

1. 通过threading与multiprocessing来解决，例如

   #urls 包含所有需要扫描的URL
   #lists包含每个线程扫描的结果的列表的列表lists = []
   threads = []
   for i in range(10):
       temp = []
       lists.append(temp)
       t = threading.Thread(target = check_page, args = ([_ for _ in urls if urls.index(_) % 10 == i], temp))
       t.start()
       threads.append(t)
   for t in threads: t.join()

2. 如果不需要获取完整网页的话，可以在请求的HTTP Header中加入接收Range的头部，只获取一部分网页：

   req = urllib2.Request(url, headers = {"Range": "bytes=0-1023"})

   不过需要注意的一点是有少部分网站不支持Range这个头部，在这个时候需要去掉这个头部重新请求才行

3. 在请求的HTTP Header中加入接收gzip编码内容的头部：

   req = urllib2.Request(url, headers = {"Accept-Encoding": "gzip"})

   至于如何判断是否返回的真是gzip编码的内容，以及如何解gzip编码的内容，在我另一篇文章里有

4. 别忘了在urlopen的时候加上timeout

在使用threading和multiprocessing的过程中，感觉这两者至少在扫描网页时性能相差不大，我分别创建了10个线程和10个进程扫描大约8K+个不同网站的页面，三次对比时间相差少于10%，而multiprocessing占用系统内存较多。

其实除了上述方法外，在Python里还有一些可能更好的提高性能的地方。例如使用greenlet、stackless python等支持更好多线程多进程的工具，还可以使用异步IO，例如twisted或者PycURL。不过个人对greenlet不熟，觉得twisted实在太twisted，PycURL不够pythonic，而stackless python怕破坏了其他python程序，因此仍然使用urllib2 + threading方案。当然，因为GIL的问题，python多线程仍然不够快，可是对单线程情况来说，已经有数倍时间的节省了。

除此之外，在多线程环境下如果需要使用lxml来对网页进行解析的时候，时而会出现占用系统所有内存的问题发生，估计是lxml使用的底层的libxslt或者libxml2的库有重入性的问题导致的，这时候需要将lxml解析html的工作放到主线程来做。当然，这会导致系统的性能下降，不过这是lxml库自己的限制，除非启动真正的多进程，不然即使使用multiprocessing也仍然会出错。

为什么不用BeautifulSoup呢？嗯，这是因为它与它依赖的sgmllib有一些特让人郁闷的bug，还因为它解析HTML比lxml.html慢10倍，这个事就另说了。