我写了一个Windows下的多线程网络爬虫。我使用的库是 requests
和 threading
。我发现程序在运行一段时间后(大约500页)变得越来越慢。当我停止程序并再次运行时,程序再次加速。似乎有许多挂起的连接,导致速度变慢。我应该如何解决这个问题?
我的代码:
import requests, threading,queue
req = requests.Session()
urlQueue = queue.Queue()
pageList = []
urlList = [url1,url2,....url500]
[urlQueue.put(i) for i in urlList]
def parse(urlQueue):
try:
url = urlQueue.get_nowait()
except:
break
try:
page = req.get(url)
pageList.append(page)
except:
continue
if __name__ == '__main__':
threadNum = 4
threadList = []
for i in threadNum:
t = threading.Thread(target=(parse),args=(urlQueue,))
threadList.append(t)
for thread in threadList:
thread.start()
for thread in threadList:
thread.join()
我搜索了这个问题。有回答说是linux下TCP的重用和回收问题。我不太明白这个答案。答案如下。我翻译了中文的答案。
- 在 Linux shell 中键入命令:
netstat -n | awk '/^tcp/{++S[$NF]} END {for(a in S) print a, S[a]}'
- 发现
TIME_WAIT
接近 2W。所以,一定有很多 TCP 连接。 - 使用以下代码分别设置TCP的重用时间和回收时间:
echo "1">/proc/sys/net/ipv4/tcp_tw_reuse
,echo "1">/proc/sys/net/ipv4/tcp_tw_recycle
这个答案似乎是正确的。应该是网络问题。 Windows下应该怎么解决。
最佳答案
多线程爬虫将耗尽 TCP 连接。我们需要设置TcpTimedWaitDelay
来快速重用和回收TCP连接。我们可以通过手动更改regedit
或键入代码来解决问题。
如何在 Windows 上使用代码执行此操作: (您需要以管理员身份运行代码,否则会报错。)
import win32api,win32con
key = win32api.RegOpenKey(win32con.HKEY_LOCAL_MACHINE, r'SYSTEM\CurrentControlSet\Services\Tcpip\Parameters', 0, win32con.KEY_SET_VALUE)
win32api.RegSetValueEx(key, 'TcpTimedWaitDelay', 0, win32con.REG_SZ, '30')
win32api.RegCloseKey(key)
如何在 Windows 上手动执行此操作:
- 打开
RUN
,然后输入regedit
- 查找:
HKEY_LOCAL_MACHINE\System\CurrentControlSet\Services\Tcpip\Parameters
- 点击
编辑
-新建
-可扩展字符串值
- 创建
TcpTimedWaitDelay
(如果该条目已经存在,则不需要创建) - 将值改为30。(TCP取值范围30~300秒,默认120秒,默认太长 多线程爬虫很长。)
感谢你们所有人对问题的贡献。这可以帮助很多人。
关于python-3.x - 多线程爬虫运行一段时间后越来越慢,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53946600/