python 多线程用 requests 抓网页的话，限制单位时间的总请求数有没有什么好的写法呢？

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 3582 天前的主题，其中的信息可能已经有所发展或是发生改变。

RT，为了不给被抓页面造成太大压力或者说为了规避429 error，最合理的做法是什么呢？
几乎没怎么用过多线程，到处搜索没有找到看起来比较好的写法，求教。

写法

Requests

规避

21 条回复 • 2015-03-03 00:22:14 +08:00

gateswong

2015-02-03 14:47:54 +08:00

http://bitbucket.gatesice.com/iit-cs579-project/src/f32486eb41571533d881a6a4d63fe97b10706c83/collector/timing.py?at=master

在这个基础上增加一个count统计这个时间段内访问了多少次就好了

KentY

2015-02-03 16:21:32 +08:00 via Android

这个要看人家服务器是怎么制定的ban规则吧，你的单位时间得在人家范围内。

我也曾有这个麻烦，后来去抓代理，built个代理池，先凑合顶着

mengskysama

2015-02-03 17:06:02 +08:00

goagent

ryd994

2015-02-03 17:46:35 +08:00 via Android

每个请求后加一个延时，然后反过来换算频率

snachx

2015-02-03 17:53:43 +08:00 via Android

@KentY
@mengskysama

我是想知道自己主动遵守限制具体应该怎么做，而不是说怎么绕过限制

snachx

2015-02-03 17:55:41 +08:00 via Android

@ryd994 每个请求加延时感觉只在单线程情况下有效吧？

snachx

2015-02-03 18:00:26 +08:00 via Android

@gateswong 其实不加count都行，我觉得只要有一个统一的manager来负责发请求，直接在manager里面限制就行了，可是不知道怎么在多线程情况下实现

ryd994

2015-02-03 18:07:35 +08:00 via Android

@snachx 多线程也可以啊，只要你线程数有限制。
平均一下差不多

mengskysama

2015-02-03 18:47:15 +08:00

@snachx 令牌桶，啊实现十来行代码？

zhwei

2015-02-03 18:58:33 +08:00 via iPad

Redis

clino

2015-02-03 18:58:41 +08:00 via Android

线程池？

Sylv

2015-02-03 19:42:18 +08:00 via iPhone

count 加个锁
每次请求 count + 1
使 count 加到限制次数的线程进行延时，不释放锁
其它线程因为阻塞就一起延时了
延时线程延时结束后 count 置 0，释放锁

jecrdhs

2015-02-03 20:53:46 +08:00

抓网页是指下载页面中的某些信息还是全部？

ffffwh

2015-02-03 21:46:24 +08:00

“非计算密集的任务不要另开线程”。
单线程抓网页，这样控制请求频率很容易了。然后异步处理结果。

snachx

2015-02-03 21:49:15 +08:00

@jecrdhs 提取部分信息

ShiehShieh

2015-02-03 21:49:41 +08:00

可以试试使用协程代替线程，都能解决IO阻塞问题，而且理论上协程的内核开销更小。
Gevent，一个基于协程的网络库。

snachx

2015-02-03 21:53:02 +08:00

@clino 线程池只能控制同时请求的数量吧，如果每个线程非抓取任务的处理很快，还是会超。

clino

2015-02-03 21:59:28 +08:00

@snachx 要不就用一个网站一个线程的做法好了,这样线程这里可以自己控制频度如果频度太高就自己sleep下,如果怕开太多线程开销太大可以改用协程,开大量协程的开销比线程小很多

snachx

2015-02-03 22:00:50 +08:00

@Sylv 你说的这样好像可以，我去试一下

gateswong

2015-02-04 04:47:43 +08:00

@snachx 用multiprocessing

这个库里的Manager可以创建进程间的共享变量

tolerious

2015-03-03 00:22:14 +08:00 via iPhone

@zhwei 具体?