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。我的服务器的DNSBL每十五分钟更新一次。有没有办法可以提高Python脚本的吞吐量以跟上服务器的更新速度？

编辑：根据要求编写脚本。

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

这里的绝大部分时间用于dig的外部调用，因此为了提高速度，您需要多线程。这样您就可以同时对dig进行多次调用。例如，请参阅：Python Subprocess.Popen from a thread。或者，您可以使用Twisted（http://twistedmatrix.com/trac/）。

编辑：你是对的，其中大部分是不必要的。

Answer 2

嗯，这可能是你花了这么长时间的名字解析。如果算上这一点（即，如果以某种方式很快地挖掘），Python应该能够轻松处理数千个条目。

那就是说，你应该尝试一种线程方法。这将（理论上）同时解决几个地址，而不是顺序解决。你也可以继续使用dig来解决这个问题，下面修改我的示例代码应该是微不足道的，但是，为了使事情变得有趣（并且希望更加pythonic），让我们使用现有模块：{{3 }}

所以，请安装：

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

然后尝试以下内容：

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()

如果证明同时启动太多线程，您可以尝试批量执行或使用队列（请参阅dnspython示例）

Answer 3

我考虑使用纯Python库来执行DNS查询，而不是委托给dig，因为调用另一个进程可能相对耗时。（当然，在互联网上查找任何内容也相对耗时，因此gilesc所说的多线程仍然适用）Google搜索 python dns 将为您提供一些入门选项。< / p>

Answer 4

为了跟上服务器更新的步伐，必须花费不到15分钟的时间来执行。你的脚本需要15分钟才能运行吗？如果不花15分钟，你就完成了！

我会调查之前运行的缓存和差异，以提高性能。

增加python脚本的吞吐量

4 个答案: