python - 增加 python 脚本的吞吐量

Question

我正在通过挖掘处理来自 DNSBL 的数千个域名列表，创建 URL 和 IP 的 CSV。这是一个非常耗时的过程，可能需要几个小时。我服务器的 DNSBL 每十五分钟更新一次。有没有一种方法可以增加 Python 脚本的吞吐量以跟上服务器的更新？

编辑:根据要求编辑脚本。

import re
import subprocess as sp

text = open("domainslist", 'r')
text = text.read()
text = re.split("\n+", text)

file = open('final.csv', 'w')

for element in text:
        try:
            ip = sp.Popen(["dig", "+short", url], stdout = sp.PIPE)
            ip = re.split("\n+", ip.stdout.read())
            file.write(url + "," + ip[0] + "\n")
        except:
            pass

Answer 1

好吧，可能是名称解析让您花了这么长时间。如果您将其计算在内(即，如果 dig 以某种方式很快返回)，Python 应该能够轻松处理数千个条目。

也就是说，您应该尝试线程化方法。这将(理论上)同时解析多个地址，而不是顺序解析。您也可以继续为此使用 dig，修改下面的示例代码应该很简单，但是，为了让事情变得有趣(并且希望更像 pythonic)，让我们为此使用一个现有模块:dnspython

所以，安装它:

sudo pip install -f http://www.dnspython.org/kits/1.8.0/ dnspython

然后尝试如下操作:

import threading
from dns import resolver

class Resolver(threading.Thread):
    def __init__(self, address, result_dict):
        threading.Thread.__init__(self)
        self.address = address
        self.result_dict = result_dict

    def run(self):
        try:
            result = resolver.query(self.address)[0].to_text()
            self.result_dict[self.address] = result
        except resolver.NXDOMAIN:
            pass


def main():
    infile = open("domainlist", "r")
    intext = infile.readlines()
    threads = []
    results = {}
    for address in [address.strip() for address in intext if address.strip()]:
        resolver_thread = Resolver(address, results)
        threads.append(resolver_thread)
        resolver_thread.start()

    for thread in threads:
        thread.join()

    outfile = open('final.csv', 'w')
    outfile.write("\n".join("%s,%s" % (address, ip) for address, ip in results.iteritems()))
    outfile.close()

if __name__ == '__main__':
    main()

如果这证明同时启动太多线程，您可以尝试分批执行，或使用队列(参见 http://www.ibm.com/developerworks/aix/library/au-threadingpython/ 的示例)