求爬虫爬一个大型天涯帖子的加速办法

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

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 3812 天前的主题，其中的信息可能已经有所发展或是发生改变。

背景

天涯有一个帖子，作者在上面更新自己的某部小说。持续更新了好几年。前两天通过作者的微博得知更完了，但是由于更贴时间太长，这个帖子的灌水回复太多，现在已经有2500多页（注意不是2500楼，是2500页）。

问题

现在希望把作者的内容通过爬虫爬下来，保存为TXT。以前y用Python写过一个爬天涯的爬虫，为了防封IP用的是最笨的办法
time.sleep(1)
小贴很好办，但是这个2500楼的帖子，真心等不起。

请求

求一个可以快点把帖子爬完的办法

爬虫

帖子

天涯

26 条回复 • 2015-05-31 11:57:21 +08:00

WeeH9T

2015-05-29 09:17:34 +08:00

http://www.tianyatool.com/ 只看楼主，再抓呗。。

tao1991123

2015-05-29 09:20:15 +08:00

@hambut 不行即使这样还是有1400多页

2015-05-29 09:26:08 +08:00

一页一页爬啊，还要怎么加速？一次性的？

jedyu

2015-05-29 09:27:34 +08:00

代理、分页多线程/多进程

pimin

2015-05-29 09:31:33 +08:00 via iPhone

1400页还要加速？
哪些资源采集的不得用超级计算机啦

ooh

2015-05-29 09:32:38 +08:00

1400也闲多?

sacuba

2015-05-29 09:41:55 +08:00

2500页一天应该没问题吧

matrix67

2015-05-29 09:50:38 +08:00 via Android

1400秒不到半小时啊

gxm123gxm

2015-05-29 09:59:03 +08:00

lz要不直接贴代码？

fnd

2015-05-29 10:19:33 +08:00

1400页真不多。

ericls

2015-05-29 10:28:42 +08:00

呃异步爬虫两分钟啊

iam36

2015-05-29 10:42:37 +08:00

@ericls ？

tao1991123

2015-05-29 10:43:54 +08:00

@ericls 求详细实现思路

lch21

2015-05-29 10:49:44 +08:00

搞一堆代理ip爬

touch

2015-05-29 11:06:06 +08:00

1400页还要加速，1400页也就分分钟的事吧

wesley

2015-05-29 11:17:54 +08:00

去爬wap版要容易很多

shoumu

2015-05-29 11:18:10 +08:00

楼主是哪个帖子，让大家都来爬爬，看谁能够用时最短爬完。

est

2015-05-29 11:23:55 +08:00

2500楼，time.sleep(1) ，也就一个小时就抓完了啊。

Mutoo

2015-05-29 11:27:46 +08:00

等这帖子回复的时间，早爬完了。

tao1991123

2015-05-29 11:40:14 +08:00

@Mutoo 追求更快更好，反正有个这需求，真好借这个机会学习提高一下有何不好？

mV2GK

2015-05-29 11:41:51 +08:00

用scrapy爬会好点吧。。。

anexplore

2015-05-29 11:43:10 +08:00

到这上面挑几个速度较快的高匿名代理，多开几个进程，http://www.proxy.com.ru/

mahone3297

2015-05-29 12:22:00 +08:00

爬的太快，不怕被ban？
单机，必须要慢慢爬啊。。。

abelyao

2015-05-29 12:38:46 +08:00

@tao1991123

这帖子没几个人是站在楼主这种学习的角度去思考的，而是觉得 1400+ 秒能爬完就完了，万一下次遇到一篇 14000+ 秒的呢？

我对 python 不熟，但是爬虫的思路基本是一直的，无关语言。
首先用 sleep 来卡 1 秒是完全没必要的，这直接影响了爬虫效率。
要防止被 ban 无非就是不断换 IP 地址、user-agent 等等这些识别信息。
多线程并发是肯定要的，保证了你一秒钟可以多爬几个页面，那效率就翻倍提升了。

omph

2015-05-29 12:51:49 +08:00

scrapy，现成的爬虫框架，强大
http://www.oschina.net/translate/build-website-crawler-based-upon-scrapy

imlonghao

2015-05-31 11:57:21 +08:00 via Android

@omph pyspider不服