Question

我有一个Python脚本，我希望每天都运行，我更喜欢它只需要1-2个小时才能运行。它目前设置为给定URL命中4个不同的API，捕获结果，然后将数据保存到PostgreSQL数据库中。问题是我有超过160,000个URL需要通过，脚本最终耗费了很长时间 - 我进行了一些初步测试，以当前格式浏览每个URL需要36个小时。所以，我的问题归结为：我应该优化我的脚本同时运行多个线程吗？或者我应该扩展我使用的服务器数量？显然第二种方法会更昂贵，所以我更喜欢在同一个实例上运行多个线程。

我正在使用我创建的库（SocialAnalytics），它提供了点击不同API端点并解析结果的方法。以下是我配置脚本的方法：

import psycopg2
from socialanalytics import pinterest
from socialanalytics import facebook
from socialanalytics import twitter
from socialanalytics import google_plus
from time import strftime, sleep

conn = psycopg2.connect("dbname='***' user='***' host='***' password='***'")
cur = conn.cursor()

# Select all URLs
cur.execute("SELECT * FROM urls;")
urls = cur.fetchall()

for url in urls:

    # Pinterest
    try:
        p = pinterest.getPins(url[2])
    except:
        p = { 'pin_count': 0 }
    # Facebook
    try:
        f = facebook.getObject(url[2])
    except:
        f = { 'comment_count': 0, 'like_count': 0, 'share_count': 0 }
    # Twitter
    try:
        t = twitter.getShares(url[2])
    except:
        t = { 'share_count': 0 }
    # Google
    try:
        g = google_plus.getPlusOnes(url[2])
    except:
        g = { 'plus_count': 0 }

    # Save results
    try:
        now = strftime("%Y-%m-%d %H:%M:%S")
        cur.execute("INSERT INTO social_stats (fetched_at, pinterest_pins, facebook_likes, facebook_shares, facebook_comments, twitter_shares, google_plus_ones) VALUES(%s, %s, %s, %s, %s, %s, %s, %s);", (now, p['pin_count'], f['like_count'], f['share_count'], f['comment_count'], t['share_count'], g['plus_count']))
        conn.commit()
    except:
        conn.rollback()

您可以看到每次调用API都使用Requests library，这是一个同步的阻止事件。经过一些初步研究后，我发现了Treq，这是Twisted之上的API。 Twisted的异步，非阻塞性质似乎是改善我的方法的一个很好的候选者，但我从来没有使用它，我不确定它是如何（以及如果）它会帮助我实现我的目标。

非常感谢任何指导！

Answer 1

首先，您应该测量脚本在每一步中花费的时间。也许你会发现一些有趣的东西：）

其次，你可以将你的网址拆分成块：

chunk_size = len(urls)/cpu_core_count; // don't forget about remainder of division

完成这些步骤后，您可以使用multiprocessing并行处理每个块。以下是您的示例：

import multiprocessing as mp

p = mp.Pool(5)

# first solution
for urls_chunk in urls: # urls = [(url1...url6),(url7...url12)...]
    res = p.map(get_social_stat, urls_chunk)
    for record in res:
        save_to_db(record)

# or, simple
res = p.map(get_social_stat, urls)

for record in res:
   save_to_db(record)

此外，gevent可以为您提供帮助。因为它可以优化处理同步阻塞请求序列的时间花费。

提高Python脚本的速度：多线程或多个实例？

1 个答案: