Python 爬虫改成 go，性能提高 5 倍？

[sagaxu]

https://zhuanlan.zhihu.com/p/48254385

原作被你们评论到 404 了，神马情况😳

[chanchan]

别问问就是 python 牛逼

[aa514758835]

萌新不懂，我也看了这篇文章，我记得 python 好像也可以并行处理吧~

[notreami]

没加代理，无所谓性能

[zarte]

首先静态语言应该会好点，但是没专门对比过。
然后他这个有筛选的爬应该会用到正则或者字符串匹配。
正则这个对时间影响很大具体语言自带的都不一样。

[lekai63]

爬虫瓶颈不是应该在网络这块么？
感觉预期应该是 go 和 python 差不多速度才对呀。。

[windfarer]

python 代码质量不高，同步写数据库，能快就怪了

[gesse]

爬虫很大时候性能瓶颈在网络

就像如果不换固态硬盘，cpu 在一定范围内， 整体性能是差不多的。

[x7395759]

别问，问就是人生苦短，我用 python

[congeec]

我曾经也以为爬虫的瓶颈在 io，直到我用了 scrapy，CPU 常年某个核心 100%。单核异步，没法优化。

python 单核异步一条道走到黑，gvr 老爷子们以为大家都只写 web 后端呢？ python 要死在这条道上

[kidlfy]

他数据库存储是同步的呀...说实话 我还没见过 scrapy 存数据库 这个步骤是写在 spider 里的....

[chengxiao]

爬虫的性能.....难道不是看代理速度么?

[cuixiao603]

别问 问就是你这个 python 水平不行

[congeec]

2008 年到现在，也就 asyncio 亮眼点，JIT、GIL 毫无改进，一点诚意都没有（不要跟我说 pypy，cffi 烦死人）。人家 ruby2.6 都有官方 jit 了。

[so1n]

在知乎的评论不堪入目

[memorycancel]

瓶颈在被爬取网站的反扒机制，你爬虫性能再好都没屌用，甚至适得其反。

[bonfy]

@memorycancel 适得其反 精髓了

[gamecreating]

是的,用 C 多线程写 速度更快.
但是你们追求的采集快 还是开发快呢?
场景不同 不能一概而论

[poplar50]

网络 io 觉得 python 并不虚

[agdhole]

知乎核心业务 python 转 go: https://zhuanlan.zhihu.com/p/48039838

[qwertty01]

@memorycancel 爬的越快，封的越快

[keysona]

go 抓取内容，python 解析入库。

[myyou]

别问问就是 python 不行，跟人是不是彩笔，是不是用的不对没有关系

[lxy42]

各位还是看了代码再发表评论吧，Python 爬虫竟然是一条一条数据同步保存到 MySQL。
https://github.com/lidingke/go_python_crawler_benchmark/blob/master/py_get.py#L20-L31

另外，把 mysql 换成 mysqlclient 速度又能快不少。

[GoLand]

现在有些人会写个 `print("hello world")` 就觉得自己掌握了 Python，自己不会用还怪语言慢，怪就算了，还到处张扬自己的愚蠢，写这文章的人是天生缺关注想要博关注？这不是在搞笑吗.........代码都经不起人 review 说个 jb。

[ivechan]

这个对比，我也是服气的。
一个框架， 一个手写调度，起码得保证代码的基本逻辑一致才有比较的意义吧？
看前面，居然还有 Python 同步保存到数据库这种操作。

多说一句，Python 是性能差，那也得看场景啊，像（大多数）爬虫都是 I/O 密集型的任务，Python 毫无疑问可以胜任。

[Vegetable]

这对比好蛋疼...玛莎拉蒂能跑三百,我有必要买吗?

[ipwx]

@lxy42 单核带锁用 MySQL 确实是巨大黑点。

但是话说回来，如果你用很 advanced 的技术优化了 Python 程序（我倒也是想到了很多方案，不过没做过），那么 Python 唯一一条远好于 Go 的优势、写起来容易，不是不成立了吗？就算你作为资深 Python 程序员能够优化到这种程度，但是那也只是和 Go 平起平坐而已吧。。。

利益相关：不会 Go，Python 老手吧。。

[www5070504]

... 不知道说啥好 这种 io 任务 时间大多浪费在 io 等待上 谈什么语言性能 在搞笑吧

[NaVient]

难道你们都没看到源码里 爬一条就对数据库进行 IO 的神操作吗？

[xpresslink]

最重要的问题是：
爬虫的最大痛点不是速度，而是突破反爬。
其次的痛点，50%以上的爬虫任务是一次性的。
另外不断尝试方案和调试是爬虫开发花费的主要精力。
最后是爬虫相关的库和生态丰富程度是必然要考虑的。


从这些点上来说作为不单是 Go，所有静态语言的来写爬虫是相对比较难受的。动态语言 Python 几乎就是爬虫的同义词，这不是偶然的。

[est]

把 scrapy 按在地上揍了一顿。不过瘾，怎么办？把 python 放进标题里。

[wwg1994]

@est 6666666

[nuansediao]

才快 5 倍，算不上吊打。。。也不够唬人，至少提高个几十倍的吧。

[wangxiaoaer]

说实在的，感觉这种评价参考意义并不大，scrapy 是一个大的爬虫框架，文中的 go 应用算是一个定向爬虫，功能复杂性没法比。如果不基于 scrapy，和 go 一样重写一个定向抓取的应用，相互比对，才有意义吧。

[lxy42]

@ipwx #27 过早的优化是万恶之源。如果项目一开始就对性能（实时性）有非常高的要求，那么 Python 确实不是首选。如果一开始对性能没有很高的要求，选择 Python 无疑可以提高开发速度，后期遇到性能问题，也是可以通过 C 扩展等其它手段去优化。

[clino]

文章作者看到 11 分 和 45 秒 这种级别的差异就没有怀疑一下自己的代码写法吗？
何况这又不是 CPU 密集型的

[kaohaonan6666]

IO 密集型 你用 c 写 提高幅度也不大

[locoz]

不存在的，真的写起来的时候这种简单网站的简单需求根本不需要用框架，requests+多进程或者 asyncio+aiohttp 怼就完事了，整个代码写下来最多就十几行。
跑起来之后大部分时间都在等待网络 io，这需求又没有要对数据做预处理，速度根本差不了多少，所以开发时间和爬的时间加起来还是 Python 比较快😂😂

[xpresslink]

@nuansediao 当年有个人对比了 C 和 Python 写的空循环性能，得到了比这个厉害的结论。

[hpeng]

打个比喻，约等于用 py 写睡眠排序，跟用 go 写快排，然后说吊打…

[tt67wq]

这种人也算程序员系列？

[est]

@clino CPU 密集型的，要吊打 MKL 还得颇费一番功夫


（ C++ 巨牛除外）

[stackexplode]

一天到晚研究鄙视链的人，水平真的。。

[zhongyiio]

话说爬虫主要看对方的性能吧，你性能再高，对方一爬就挂，哈哈哈

[2225377fjs]

python 确实慢这是客观存在的，执行效率上与 golang 存在明显的差距。
只将爬虫当成是 IO 密集型的，也多半是小白

[congeec]

@est 我都直接调用 MKL
@zhongyiio 刚开始用写爬虫不懂事儿，挂过几个小网站。后来有人性了

[hujianxin]

@GoLand 哈哈哈，没错

[qsnow6]

IO 密集型的，扯再多也没鬼用；
scrapy 每分钟单机单核超过 3000 请求 /分钟，这速度平时做定向爬虫根本都用不上。分分钟被服务器拉黑，不拉黑也抓挂了。

如果还有杠精在这扯，说明平时接触爬虫不够深入。

[janus77]

文章看不了了？没有知识的荒原

[brucedone]

https://github.com/lidingke/go_python_crawler_benchmark/blob/master/py_get.py ,看到了熟悉的 lock，也不知道这个该怎么说了。

[wangxiaoaer]

@janus77 #49 你们不要这样，作者估计受不了删文章了吧。

[xpresslink]

@janus77 我刚发一条打脸评论，结果。。。

[Keyes]

@xpresslink 结果来到了荒原 23333

[jjx]

一个编译型静态类型的语言 每天 就知道同一个解释型动态语言 比性能

脸都放哪里去了

[tnt666666]

是的，go 是最吊的，吊打 Python

[wdv2ly]

这不算啥，我写一个代理工具，在垃圾小鸡上跑，cpu 负载 60%左右，加密模块用 c “翻译”下，cpu 负载降到 2-3%，算下来效率提高了 20-30 倍

[Leigg]

做爬虫，python 足够了，换再快的语言也没用，懂的人自然懂。

[labulaka]

404 了🌚

[qdzzyb]

原文 404 了

[xiaqi]

当年，说 php 是世界最好的论坛炸开了锅。如今，说 Go 爬虫性能吊打 Python，论坛炸开了锅。

文章的作者应该已经在和妹子约会了吧？😂😂😂

[fiht]

实习的时候写了将近一年的爬虫，大概有这么一点感悟。
在做定向爬虫到时候，比如说抓一抓机票网站的价格，需要突破一些反爬虫机制，或者需要使用无头浏览器做渲染。这种场景下语言不存在性能瓶颈，瓶颈在于对方的服务器压力和反爬虫机制。这种场景适合使用 Python。
但是在做广度爬虫的时候，Python 就不适用了，就像楼上讲的 scrapy 单核跑满的问题。在这个场景下使用 Python 会带来很多的问题，比如说为了解决只有单核跑完的问题就需要起多个 scrapy 实例，为了让这多个 scrapy 实例协同工作就需要引入一个消息队列，整个系统的耦合度就复杂了不少。用 golang 来做的话就方便很多。几个爬行时的 goroutine 和几个 pipeline 的 goroutine，整个系统就能稳定地运转起来。这是 Python 所不能达到的。

[DeWhite]

抓的快了不是等反么。。

[vdo]

老板不涨工资的话，能用 py 就用 py

[dbow]

不用 scrapy 就好了，python 写的 event loop 也能轻松做到 1w/s 请求。
觉得 python I/O 不行是水平问题。

[xhp281]

不对，是三十倍 手动滑稽.png https://baijiahao.baidu.com/s?id=1596144925955633222&wfr=spider&for=pc

[RqPS6rhmP3Nyn3Tm]

爬虫最困难的不是研究反爬机制吗，io 我觉得不是最重要的因素

[Linxing]

并发有什么了不起的 Python 不支持？

[sgissb1]

爬虫玩过一段时间，也在有几个稳定爬取的地方。

也用 scrapy，用 python 写。python 性能好不好不好讲，主要是每次启动 scrapy 太慢了（要生成 pyd 缓存），另外熟悉了 scrapy 后，做一下简单爬虫还是可以的，做复杂的（比如怕动态页面）就很难受了，需要引入其他解析库（ scrapy 自带那几个基本不够用），因为是 python 菜鸡，感觉调起爬虫代码来，很是难受。

[marcushbs]

用过 scrapy/portia/puppeteer，遇到的有效反爬机制有两种：
1. 封 IP
2. captcha
第一个只能用大规模部署的有独立 ip 的爬虫网络来解决，interval 的设置和数据存储 /合并需要有效调度；
第二个颇为复杂，取决于 captcha 的设计：简单的识图可以通过一些库甚至 ml 来解决（比如 V2EX 的登录认证码ε=ε=ε=┏(゜ロ゜;)┛）； 12306 或者 google captcha 那种需要让人点选 9 张里 N 张甚至让人算个微积分的，可以用 headless chrome 的截图机制（甚至 copy/paste DOM 重现），另一头连通到类似 Amazon Mechanical Turk 人肉智能服务上，还要对正确率和审核手段做调整。

随着爬与反爬的不断斗争，针对 captcha 的工具库会不断增大和复杂，但新反爬模式总可以通过连接人肉服务解决
——综上，爬虫主要就是解决 1.分布式调度 2.和人肉服务的对接。至于单点性能，基本不算问题。

[petelin]

要是趴下来直接扔到缓存里,或者扔到流里, 用 Python 是没问题.
关键是, 你的业务就那么简单吗, 不需要解析吗? 单单一个解析是可以把 CPU 跑到 100%的好不好

[revol]

@petelin 密集计算的部分当然用 C 扩展啊，xpath，beautifulsoup 之类的。反正绝对不会比 go 慢

[kakudesu]

别问,问就是 404

[karllynn]

404 了，一般爬虫用 Python 肯定够了，Python 性能差你多开几个进程啊…

[tailf]

才五倍，应该分分钟五十倍啊

[geying]

来看评论

[jdgui]

http://webcache.googleusercontent.com/search?q=cache:6MjJDUmHJFwJ:https://zhuanlan.zhihu.com/p/48254385&hl=zh-TW&gl=us&strip=1&vwsrc=0
页面缓存在这。。的确是神论

[zhongyiio]

@congeec 点赞有人性

[petelin]

@revol python 天下第一

[XIVN1987]

@petelin
数据分析有 numpy、pandas，matplotlib，sklearn 底层都是 C 写的，效率很高

[locoz]

原评论： https://www.zhihu.com/api/v4/articles/48254385/root_comments?limit=20

[locoz]

@locoz #80 原评论 -> 原文评论

[quqiuzhu]

人生苦短，我用 python。说的就是你们天天优化优化，老子自己写得爽就行了，性能不好多加几台机器就是。

[yc8332]

性能瓶颈不是应该在数据库吗？

[rizon]

我不是很懂 python，但是 python 很火是毋庸置疑的，但是有件事我不明白，希望有大佬解答。
既然 python 是单核，性能有瓶颈，为什么还这么火？尤其是云计算方面，这个单核的问题不是问题吗？

网上看到的描述


贴一下 18 年 12 月的排行

[rockyou12]

@rizon python 可以多进程，多核也能利用起来。只是比 java、go 这些比起来写起来有点蠢。

[troywinter]

@est cpu 密集型，numpy 和 c++不相上下，都是调 mkl 的库，没什么区别。

[xiaqi]

那些老说 python 性能渣的，你倒是用 go 写个比 python 的 numpy 性能更高的库出来呀？
🐶🐶🐶

[beforeuwait]

@memorycancel 十分同意

[beforeuwait]

@Leigg 来，握个爪

[qilishasha]

……反正用到的地方有限，管你是什么语言，会什么我就用什么。

[qsnow6]

@rizon #84 首先，任何语言的性能都是有瓶颈的，得看具体的数值，不存在有一门语言能在单机状态下抗下天猫双 11 的流量。

其次，python 止于大部分静态语言（ C、GO ），确实性能没有他们的单机性能高，这是所有动态语言的劣势，先天的，为了 code 的易用性和效率，牺牲了部分性能。

python 之所以能在这么多领域开枝散叶，很大程序上利益于他的易用性，随便敲几行代码，一个爬虫就写好了，不管管类型这些静态语言语法的束缚，简直太舒服了。

[xiaqi]

@rizon 再次超越 C++，话说今年年度编程语言不会是 Python 吧？😂😂

[qsnow6]

性能够用就好，经常看到建博客的，日均 IP 不到 200，却在发愁以后怎么面对千万级的并发，到底该选哪门语言

[est]

@rizon 就好比从来没出过城的人考虑买车承载式底盘 4wd 越野好不好的问题。。。

[lazyfighter]

@qsnow6 没毛病 哈哈

[LawlietZ]

怎么 404 了

[JCZ2MkKb5S8ZX9pq]

看了楼上的评论，python 爬虫同时写入 mongo 的瑟瑟发抖……

[est]

@locoz 神 api。。。

[est]

@qilishasha

> 为了 code 的易用性和效率，牺牲了部分性能。

也不能完全这样说。主要是几个 core dev 不接受 给 CPython 提速的补丁。。。

php7 你看那速度。。ruby3x3 你看那速度。。。就连 perl6 也提速了。


p 家的，就剩 py 没把提速放到第一核心重点了。

[fiht]

@xiaqi 首先 Python 性能不如 go 是事实你得要承认... 才能继续这个对话