推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2201 天前的主题，其中的信息可能已经有所发展或是发生改变。
第 1 条附言 · 2018-12-03 12:50:37 +08:00
原作被你们评论到 404 了，神马情况😳
 |
1
chanchan 2018-12-03 09:34:00 +08:00
别问问就是 python 牛逼
|
 |
2
aa514758835 2018-12-03 09:34:32 +08:00
萌新不懂，我也看了这篇文章，我记得 python 好像也可以并行处理吧~
|
 |
3
notreami 2018-12-03 09:38:26 +08:00
没加代理，无所谓性能
|
 |
4
zarte 2018-12-03 09:40:18 +08:00
首先静态语言应该会好点，但是没专门对比过。
然后他这个有筛选的爬应该会用到正则或者字符串匹配。 正则这个对时间影响很大具体语言自带的都不一样。 |
 |
5
lekai63 2018-12-03 09:40:26 +08:00
爬虫瓶颈不是应该在网络这块么？
感觉预期应该是 go 和 python 差不多速度才对呀。。 |
 |
6
windfarer 2018-12-03 09:42:12 +08:00
python 代码质量不高，同步写数据库，能快就怪了
|
 |
7
gesse 2018-12-03 09:42:29 +08:00
爬虫很大时候性能瓶颈在网络
就像如果不换固态硬盘，cpu 在一定范围内， 整体性能是差不多的。 |
 |
8
x7395759 2018-12-03 09:45:47 +08:00
别问，问就是人生苦短，我用 python
|
 |
9
congeec 2018-12-03 09:48:42 +08:00 via iPhone  2
我曾经也以为爬虫的瓶颈在 io，直到我用了 scrapy，CPU 常年某个核心 100%。单核异步，没法优化。
python 单核异步一条道走到黑，gvr 老爷子们以为大家都只写 web 后端呢？ python 要死在这条道上 |
 |
10
kidlfy 2018-12-03 09:48:45 +08:00
他数据库存储是同步的呀...说实话 我还没见过 scrapy 存数据库 这个步骤是写在 spider 里的....
|
 |
11
chengxiao 2018-12-03 09:48:54 +08:00
爬虫的性能.....难道不是看代理速度么?
|
 |
12
cuixiao603 2018-12-03 09:50:19 +08:00 via Android
别问 问就是你这个 python 水平不行
|
|
13
congeec 2018-12-03 09:51:54 +08:00 via iPhone
2008 年到现在，也就 asyncio 亮眼点，JIT、GIL 毫无改进，一点诚意都没有（不要跟我说 pypy，cffi 烦死人）。人家 ruby2.6 都有官方 jit 了。
|
 |
14
so1n 2018-12-03 09:52:56 +08:00
在知乎的评论不堪入目
|
 |
15
memorycancel 2018-12-03 09:53:14 +08:00
瓶颈在被爬取网站的反扒机制，你爬虫性能再好都没屌用，甚至适得其反。
|
 |
16
bonfy 2018-12-03 09:54:38 +08:00
@memorycancel 适得其反 精髓了
|
 |
17
gamecreating 2018-12-03 09:56:00 +08:00
是的,用 C 多线程写 速度更快.
但是你们追求的采集快 还是开发快呢? 场景不同 不能一概而论 |
 |
18
poplar50 2018-12-03 09:57:36 +08:00 via Android
网络 io 觉得 python 并不虚
|
 |
19
agdhole 2018-12-03 10:06:53 +08:00
知乎核心业务 python 转 go: https://zhuanlan.zhihu.com/p/48039838
|
 |
20
qwertty01 2018-12-03 10:10:32 +08:00
@memorycancel 爬的越快，封的越快
|
 |
21
keysona 2018-12-03 10:16:50 +08:00
go 抓取内容，python 解析入库。
|
 |
22
myyou 2018-12-03 10:17:05 +08:00
别问问就是 python 不行，跟人是不是彩笔，是不是用的不对没有关系
|
 |
23
lxy42 2018-12-03 10:17:47 +08:00 3
各位还是看了代码再发表评论吧，Python 爬虫竟然是一条一条数据同步保存到 MySQL。
https://github.com/lidingke/go_python_crawler_benchmark/blob/master/py_get.py#L20-L31 另外，把 mysql 换成 mysqlclient 速度又能快不少。 |
 |
24
GoLand 2018-12-03 10:25:54 +08:00 7
现在有些人会写个 `print("hello world")` 就觉得自己掌握了 Python，自己不会用还怪语言慢，怪就算了，还到处张扬自己的愚蠢，写这文章的人是天生缺关注想要博关注？这不是在搞笑吗.........代码都经不起人 review 说个 jb。
|
 |
25
ivechan 2018-12-03 10:28:16 +08:00
这个对比，我也是服气的。
一个框架， 一个手写调度，起码得保证代码的基本逻辑一致才有比较的意义吧？ 看前面，居然还有 Python 同步保存到数据库这种操作。 多说一句，Python 是性能差，那也得看场景啊，像（大多数）爬虫都是 I/O 密集型的任务，Python 毫无疑问可以胜任。 |
 |
26
Vegetable 2018-12-03 10:31:38 +08:00
这对比好蛋疼...玛莎拉蒂能跑三百,我有必要买吗?
|
 |
27
ipwx 2018-12-03 10:32:03 +08:00
@lxy42 单核带锁用 MySQL 确实是巨大黑点。
但是话说回来，如果你用很 advanced 的技术优化了 Python 程序（我倒也是想到了很多方案，不过没做过），那么 Python 唯一一条远好于 Go 的优势、写起来容易，不是不成立了吗？就算你作为资深 Python 程序员能够优化到这种程度，但是那也只是和 Go 平起平坐而已吧。。。 利益相关：不会 Go，Python 老手吧。。 |
 |
28
www5070504 2018-12-03 10:33:32 +08:00 2
... 不知道说啥好 这种 io 任务 时间大多浪费在 io 等待上 谈什么语言性能 在搞笑吧
|
 |
29
NaVient 2018-12-03 10:34:57 +08:00
难道你们都没看到源码里 爬一条就对数据库进行 IO 的神操作吗？
|
 |
30
xpresslink 2018-12-03 10:35:18 +08:00 1
最重要的问题是：
爬虫的最大痛点不是速度，而是突破反爬。 其次的痛点，50%以上的爬虫任务是一次性的。 另外不断尝试方案和调试是爬虫开发花费的主要精力。 最后是爬虫相关的库和生态丰富程度是必然要考虑的。 从这些点上来说作为不单是 Go，所有静态语言的来写爬虫是相对比较难受的。动态语言 Python 几乎就是爬虫的同义词，这不是偶然的。 |
 |
31
est 2018-12-03 10:41:23 +08:00 1
把 scrapy 按在地上揍了一顿。不过瘾，怎么办？把 python 放进标题里。
|
 |
33
nuansediao 2018-12-03 10:46:41 +08:00
才快 5 倍，算不上吊打。。。也不够唬人，至少提高个几十倍的吧。
|
 |
34
wangxiaoaer 2018-12-03 10:46:58 +08:00
说实在的，感觉这种评价参考意义并不大，scrapy 是一个大的爬虫框架，文中的 go 应用算是一个定向爬虫，功能复杂性没法比。如果不基于 scrapy，和 go 一样重写一个定向抓取的应用，相互比对，才有意义吧。
|
|
35
lxy42 2018-12-03 10:47:02 +08:00
@ipwx #27 过早的优化是万恶之源。如果项目一开始就对性能（实时性）有非常高的要求，那么 Python 确实不是首选。如果一开始对性能没有很高的要求，选择 Python 无疑可以提高开发速度，后期遇到性能问题，也是可以通过 C 扩展等其它手段去优化。
|
 |
36
clino 2018-12-03 10:47:21 +08:00
文章作者看到 11 分 和 45 秒 这种级别的差异就没有怀疑一下自己的代码写法吗？
何况这又不是 CPU 密集型的 |
 |
37
kaohaonan6666 2018-12-03 10:55:28 +08:00
IO 密集型 你用 c 写 提高幅度也不大
|
 |
38
locoz 2018-12-03 10:57:21 +08:00 via Android
不存在的，真的写起来的时候这种简单网站的简单需求根本不需要用框架，requests+多进程或者 asyncio+aiohttp 怼就完事了，整个代码写下来最多就十几行。
跑起来之后大部分时间都在等待网络 io，这需求又没有要对数据做预处理，速度根本差不了多少，所以开发时间和爬的时间加起来还是 Python 比较快😂😂 |
|
39
xpresslink 2018-12-03 11:04:32 +08:00
@nuansediao 当年有个人对比了 C 和 Python 写的空循环性能，得到了比这个厉害的结论。
|
 |
40
hpeng 2018-12-03 11:10:26 +08:00 via iPhone
打个比喻，约等于用 py 写睡眠排序，跟用 go 写快排，然后说吊打…
|
 |
41
tt67wq 2018-12-03 11:13:23 +08:00
这种人也算程序员系列？
|
 |
43
stackexplode 2018-12-03 11:18:12 +08:00
一天到晚研究鄙视链的人，水平真的。。
|
 |
44
zhongyiio 2018-12-03 11:21:27 +08:00 via Android
话说爬虫主要看对方的性能吧，你性能再高，对方一爬就挂，哈哈哈
|
 |
45
2225377fjs 2018-12-03 11:24:08 +08:00
python 确实慢这是客观存在的，执行效率上与 golang 存在明显的差距。
只将爬虫当成是 IO 密集型的，也多半是小白 |
 |
48
qsnow6 2018-12-03 11:34:58 +08:00
IO 密集型的，扯再多也没鬼用；
scrapy 每分钟单机单核超过 3000 请求 /分钟，这速度平时做定向爬虫根本都用不上。分分钟被服务器拉黑，不拉黑也抓挂了。 如果还有杠精在这扯，说明平时接触爬虫不够深入。 |
 |
49
janus77 2018-12-03 11:37:30 +08:00
文章看不了了？没有知识的荒原
|
 |
50
brucedone 2018-12-03 11:41:16 +08:00
https://github.com/lidingke/go_python_crawler_benchmark/blob/master/py_get.py ,看到了熟悉的 lock，也不知道这个该怎么说了。
|
|
51
wangxiaoaer 2018-12-03 11:43:07 +08:00
@janus77 #49 你们不要这样，作者估计受不了删文章了吧。
|
|
52
xpresslink 2018-12-03 11:44:22 +08:00
@janus77 我刚发一条打脸评论，结果。。。
|
 |
53
Keyes 2018-12-03 11:47:19 +08:00
@xpresslink 结果来到了荒原 23333
|
 |
54
jjx 2018-12-03 11:52:12 +08:00
一个编译型静态类型的语言 每天 就知道同一个解释型动态语言 比性能
脸都放哪里去了 |
 |
55
tnt666666 2018-12-03 11:56:41 +08:00 via Android
是的，go 是最吊的，吊打 Python
|
 |
56
wdv2ly 2018-12-03 12:17:47 +08:00
这不算啥，我写一个代理工具，在垃圾小鸡上跑，cpu 负载 60%左右，加密模块用 c “翻译”下，cpu 负载降到 2-3%，算下来效率提高了 20-30 倍
|
 |
57
Leigg 2018-12-03 12:22:56 +08:00 via iPhone
做爬虫，python 足够了，换再快的语言也没用，懂的人自然懂。
|
 |
58
labulaka 2018-12-03 12:31:32 +08:00 via Android
404 了🌚
|
 |
59
qdzzyb 2018-12-03 12:34:30 +08:00
原文 404 了
|
 |
60
xiaqi 2018-12-03 12:37:31 +08:00 via Android
当年，说 php 是世界最好的论坛炸开了锅。如今，说 Go 爬虫性能吊打 Python，论坛炸开了锅。
文章的作者应该已经在和妹子约会了吧？😂😂😂 |
 |
61
fiht 2018-12-03 12:41:27 +08:00 4
实习的时候写了将近一年的爬虫，大概有这么一点感悟。
在做定向爬虫到时候，比如说抓一抓机票网站的价格，需要突破一些反爬虫机制，或者需要使用无头浏览器做渲染。这种场景下语言不存在性能瓶颈，瓶颈在于对方的服务器压力和反爬虫机制。这种场景适合使用 Python。 但是在做广度爬虫的时候，Python 就不适用了，就像楼上讲的 scrapy 单核跑满的问题。在这个场景下使用 Python 会带来很多的问题，比如说为了解决只有单核跑完的问题就需要起多个 scrapy 实例，为了让这多个 scrapy 实例协同工作就需要引入一个消息队列，整个系统的耦合度就复杂了不少。用 golang 来做的话就方便很多。几个爬行时的 goroutine 和几个 pipeline 的 goroutine，整个系统就能稳定地运转起来。这是 Python 所不能达到的。 |
 |
62
DeWhite 2018-12-03 12:48:12 +08:00
抓的快了不是等反么。。
|
 |
63
vdo 2018-12-03 12:51:40 +08:00
老板不涨工资的话，能用 py 就用 py
|
 |
64
dbow 2018-12-03 12:51:40 +08:00
不用 scrapy 就好了，python 写的 event loop 也能轻松做到 1w/s 请求。
觉得 python I/O 不行是水平问题。 |
 |
65
xhp281 2018-12-03 13:06:58 +08:00
|
 |
66
RqPS6rhmP3Nyn3Tm 2018-12-03 13:13:37 +08:00 via iPhone
爬虫最困难的不是研究反爬机制吗，io 我觉得不是最重要的因素
|
 |
67
Linxing 2018-12-03 13:41:11 +08:00
并发有什么了不起的 Python 不支持？
|
 |
68
sgissb1 2018-12-03 14:10:38 +08:00
爬虫玩过一段时间，也在有几个稳定爬取的地方。
也用 scrapy，用 python 写。python 性能好不好不好讲，主要是每次启动 scrapy 太慢了（要生成 pyd 缓存），另外熟悉了 scrapy 后，做一下简单爬虫还是可以的，做复杂的（比如怕动态页面）就很难受了，需要引入其他解析库（ scrapy 自带那几个基本不够用），因为是 python 菜鸡，感觉调起爬虫代码来，很是难受。 |
 |
69
marcushbs 2018-12-03 14:18:22 +08:00
用过 scrapy/portia/puppeteer，遇到的有效反爬机制有两种：
1. 封 IP 2. captcha 第一个只能用大规模部署的有独立 ip 的爬虫网络来解决，interval 的设置和数据存储 /合并需要有效调度； 第二个颇为复杂，取决于 captcha 的设计：简单的识图可以通过一些库甚至 ml 来解决（比如 V2EX 的登录认证码ε=ε=ε=┏(゜ロ゜;)┛）； 12306 或者 google captcha 那种需要让人点选 9 张里 N 张甚至让人算个微积分的，可以用 headless chrome 的截图机制（甚至 copy/paste DOM 重现），另一头连通到类似 Amazon Mechanical Turk 人肉智能服务上，还要对正确率和审核手段做调整。 随着爬与反爬的不断斗争，针对 captcha 的工具库会不断增大和复杂，但新反爬模式总可以通过连接人肉服务解决 ——综上，爬虫主要就是解决 1.分布式调度 2.和人肉服务的对接。至于单点性能，基本不算问题。 |
 |
70
petelin 2018-12-03 14:33:47 +08:00
要是趴下来直接扔到缓存里,或者扔到流里, 用 Python 是没问题.
关键是, 你的业务就那么简单吗, 不需要解析吗? 单单一个解析是可以把 CPU 跑到 100%的好不好 |
 |
72
kakudesu 2018-12-03 14:59:53 +08:00
别问,问就是 404
|
 |
73
karllynn 2018-12-03 15:13:36 +08:00
404 了，一般爬虫用 Python 肯定够了，Python 性能差你多开几个进程啊…
|
 |
74
tailf 2018-12-03 15:16:34 +08:00
才五倍，应该分分钟五十倍啊
|
 |
75
geying 2018-12-03 15:22:40 +08:00
来看评论
|
 |
76
jdgui 2018-12-03 15:24:40 +08:00
|
 |
79
XIVN1987 2018-12-03 16:25:49 +08:00
@petelin
数据分析有 numpy、pandas，matplotlib，sklearn 底层都是 C 写的，效率很高 |
|
80
locoz 2018-12-03 16:31:37 +08:00 1
|
 |
82
quqiuzhu 2018-12-03 16:41:29 +08:00 via Android
人生苦短，我用 python。说的就是你们天天优化优化，老子自己写得爽就行了，性能不好多加几台机器就是。
|
 |
83
yc8332 2018-12-03 16:58:18 +08:00
性能瓶颈不是应该在数据库吗？
|
 |
84
rizon 2018-12-03 17:06:54 +08:00
我不是很懂 python，但是 python 很火是毋庸置疑的，但是有件事我不明白，希望有大佬解答。
既然 python 是单核，性能有瓶颈，为什么还这么火？尤其是云计算方面，这个单核的问题不是问题吗？ 网上看到的描述  贴一下 18 年 12 月的排行  |
 |
86
troywinter 2018-12-03 17:11:34 +08:00
@est cpu 密集型，numpy 和 c++不相上下，都是调 mkl 的库，没什么区别。
|
|
87
xiaqi 2018-12-03 17:12:55 +08:00 via Android
那些老说 python 性能渣的，你倒是用 go 写个比 python 的 numpy 性能更高的库出来呀？
🐶🐶🐶 |
 |
88
beforeuwait 2018-12-03 17:13:56 +08:00
@memorycancel 十分同意
|
|
89
beforeuwait 2018-12-03 17:16:34 +08:00
@Leigg 来，握个爪
|
 |
90
qilishasha 2018-12-03 17:18:22 +08:00
……反正用到的地方有限，管你是什么语言，会什么我就用什么。
|
|
91
qsnow6 2018-12-03 17:22:26 +08:00
@rizon #84 首先，任何语言的性能都是有瓶颈的，得看具体的数值，不存在有一门语言能在单机状态下抗下天猫双 11 的流量。
其次，python 止于大部分静态语言（ C、GO ），确实性能没有他们的单机性能高，这是所有动态语言的劣势，先天的，为了 code 的易用性和效率，牺牲了部分性能。 python 之所以能在这么多领域开枝散叶，很大程序上利益于他的易用性，随便敲几行代码，一个爬虫就写好了，不管管类型这些静态语言语法的束缚，简直太舒服了。 |
|
93
qsnow6 2018-12-03 17:29:44 +08:00
性能够用就好，经常看到建博客的，日均 IP 不到 200，却在发愁以后怎么面对千万级的并发，到底该选哪门语言
|
 |
95
lazyfighter 2018-12-03 17:53:48 +08:00
@qsnow6 没毛病 哈哈
|
 |
96
LawlietZ 2018-12-03 18:06:48 +08:00
怎么 404 了
|
 |
97
JCZ2MkKb5S8ZX9pq 2018-12-03 18:07:28 +08:00
看了楼上的评论，python 爬虫同时写入 mongo 的瑟瑟发抖……
|
|
99
est 2018-12-03 18:09:29 +08:00
@qilishasha
> 为了 code 的易用性和效率，牺牲了部分性能。 也不能完全这样说。主要是几个 core dev 不接受 给 CPython 提速的补丁。。。 php7 你看那速度。。ruby3x3 你看那速度。。。就连 perl6 也提速了。 p 家的，就剩 py 没把提速放到第一核心重点了。 |
Select Language