- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个包含 900 万个 http 链接的列表,它们存储在 lt
对于最低限度的可重复性example :
这是我最初写的
cat = []
i=0
for l in lt:
print(i)
if re.search('.+videoStory.+', l):
print('video')
cat.append('video')
else:
response=requests.get(l,headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36', })
if response.status_code == 200:
bs = BeautifulSoup(response.content.decode('ascii', 'ignore'),'lxml')
cat.append(bs.findAll('div', {'class':'ArticleHeader_channel_4KD-f'})[0].text)
elif response.status_code == 404:
print('404')
cat.append('404')
elif response.status_code == 500:
print('500')
cat.append('500')
else:
print(response.status_code)
break
i+=1
bs.findAll('div', {'class':'ArticleHeader_channel_4KD-f'})[0].text
提取页面的类别。
此代码在 1 秒内成功完成 3 个链接,这意味着需要 34.7 天才能获得 900 万个链接(通过仅获取 5000 个链接进行测试,花费了 27 分钟左右)
p = pool.Pool(1000)
yo= []
jobs=[]
def get_link(ul):
if re.search('.+videoStory.+', ul):
yo.append('video')
else:
r = requests.get(ul, headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2228.0 Safari/537.36', })
if r.status_code == 200:
bs = BeautifulSoup(r.content.decode('ascii', 'ignore'),'lxml')
crap = bs.findAll('div', {'class':'ArticleHeader_channel_4KD-f'})[0].text
yo.append(crap)
elif r.status_code == 404:
# print('404')
yo.append('404')
elif r.status_code == 500:
# print('500')
yo.append('500')
startTime= datetime.now()
for yum in lt:
jobs.append(p.apply_async(get_link, args =(yum,)))
gevent.joinall(jobs)
timeElapsed=datetime.now()-startTime
print('Time elpased (hh:mm:ss.ms) {}'.format(timeElapsed))
此代码在 1 秒内成功完成 5 个链接,这意味着需要 20.8 天才能获得 900 万个链接(通过仅获取 5000 个链接进行测试,花费了 16 分钟左右)
这花了太长时间。
应该尝试将并发
设置为10000
,会有帮助吗?(也许路透社不会允许这么多并发)
我应该尝试并行处理吗?
最佳答案
根据这些信息,您应该能够运行代码的多个实例,这些实例从列表中的不同位置开始。
假设您运行该代码的 5 个实例,每个实例都有责任浏览 5,000 个链接。因此,在一次运行中,您覆盖了 25,000 个链接。这对您来说大约是 30 分钟。
假设,实例 #1 运行链接 1-5000,当其列表耗尽时,它应该从第 25,001 个链接开始。因此,对于每个实例,您都必须迭代它才能从第 where_it_left + 25000
链接运行。
让我们看看这里的数学。简单的例子:5,000,000 个链接/25,000 = 200 次运行。
200 * 0.5 小时 = 100 小时(约 4-5 天)
如果您可以同时运行 5 个以上的代码实例,您甚至可以进一步减少此次数。
另一个更好的方法是使用一些网络抓取软件,例如HTTrack。但是,您可能需要在其中进行大量配置才能获得您需要的结果。
关于python - Gevent Pool 似乎并没有提高性能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47103401/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!