这是一个创建于 962 天前的主题，其中的信息可能已经有所发展或是发生改变。
场景是从一个 URL 获取数百万个任务（每次最多获取 1 万条任务，可自定义数量，但不能从中间开始获取，且每 2 秒只能请求一次任务列表），每个任务中的 URL 分别请求（访问每个 URL 需要 0.1~30+ 秒，目标网站没有并发限制），解析出需要的数据后上报需要的数据和任务 ID 到同一 URL （一次可以上报多个任务的结果）。因为不可能同时发几百万个请求，所以应该要用到线程池，设置最高同时多少任务在运行。请问这种场景的最佳实践是什么，C#还是 Python （我比较熟悉这两门语言）速度快且容易实现？
 |
1
tulongtou 2022-04-05 01:44:43 +08:00 via iPhone
这两门语言你都熟悉，为什么还需要问网友呢
|
 |
2
rv54ntjwfm3ug8 OP @tulongtou #1 “比较熟悉”只是会用，不确定哪个在这种场景下性能高
|
 |
3
ZRS 2022-04-05 01:48:07 +08:00  1
瓶颈应该在网络 IO ，用啥语言问题都不大
|
 |
4
3dwelcome 2022-04-05 01:48:18 +08:00 1
我扫描过所有 ipv4 段的 80 端口服务，并发上限和开多少线程关系不大。
影响 tcp 连接速度，主要因素是 DNS 的解析，TCP 的三次握手的等待时间。 TCP 有非阻塞模式，设置 fcntl(sock, F_SETFL, O_NONBLOCK);管他服务器什么时候响应，先把 IP 包发出去再说，并发就上去了。 |
 |
5
fishCatcher 2022-04-05 01:48:24 +08:00 via iPhone
go 协程应该恰好满足你的需求，不知道 python 和 c#实现的如何。
或者固定一个 io 线程，剩下几个线程处理数据 |
 |
6
macrorules 2022-04-05 01:48:43 +08:00
C# + 宇宙第一 IDE 横扫一切
|
 |
7
Richard14 2022-04-05 01:50:40 +08:00 1
需求比较简单，哪个语言都无所谓。Python 的话，首先你需要调高系统允许最大 socket 连接数，创建 asyncio 线程，每个线程可以并发 1-10k 的访问，然后再将这个线程用 multiprocessing 重复。瓶颈只在于系统 IO ，与应用层实现关系不大
|
 |
8
vance123 2022-04-05 01:59:28 +08:00 via Android
虽然没有并发限制，但服务器带宽还是有限的。假设每个文件 100k ，服务器带宽 100m ，每秒也就 1000 个文件
|
 |
9
mxT52CRuqR6o5 2022-04-05 04:57:25 +08:00 via Android
@theklf4 你这个是 io 密集的需求，语言本身不会成为性能瓶颈
|
 |
10
documentzhangx66 2022-04-05 06:14:47 +08:00
1.容易实现：Python ，原因是可直接白嫖的工具包，比 C#多的多。
2.性能，也就是运行速度：不一定。虽然 C#性能比 Python 高得多，但 Python 可以直接调 C 库加持。 3.稳定性：如果是公司要做正经的工程，并且是多人合作，那么 C#肯定比 Python 好。原因是 Python 语言缺少健壮性的支持，但这不是 Python 的错，胶水语言，比如 js ，都有这类问题。稳健需要强类型+强异常型语言。 4.如果这需求，是我一个人来做，我会这样： 先用 Python 做，但需要把功能分为不同模块。而且实现方法不能用 Python 的原生写法，而需要使用 Java 那一套工程化的结构模式。 然后性能测试，哪个模块是性能瓶颈，用 C 库解决。如果是多人协作，甚至可以用 Redis 当中间库，Python 采集一手数据丢 Redis ，Cpp 从 Redis 拉取数据进行分析处理，并且 URL 的去重也用 Cpp 中间件做。 |
 |
11
Mutoo 2022-04-05 08:12:49 +08:00
Python 有开源的 scrapy 你要的需求都有了，直接用不香吗。
|
 |
12
opengps 2022-04-05 09:11:02 +08:00
当然是你怎么熟悉怎么来。
如果你同时是两门语言的顶尖高手，那么你才有必要去在乎采用哪门语言更高效 |
 |
13
keepeye 2022-04-05 09:57:58 +08:00
python 有现成的 scrapy 爬虫框架，不想用可以自己用 aiohttp + asyncio.Queue
|
 |
14
ragnaroks 2022-04-05 10:02:52 +08:00
如果你的环境是 windows 的话，dotnet 性能更好，默认情况下就是并行完成端口
|
 |
15
yolee599 2022-04-05 10:04:12 +08:00 via Android
用 C# 比较好
|
 |
16
ychost 2022-04-05 10:18:44 +08:00
爬虫 py 比较合适
|
 |
17
ly841000 2022-04-05 11:39:45 +08:00 2
@documentzhangx66 .......按你这说法，必须 c#啊，c#性能本身就比 python 高一个数量级，还可以直接调用任何 api, c 库。。。python 还要封装，哪个更方便还要说？
|
 |
18
idragonet 2022-04-05 12:13:49 +08:00
C#做过爬虫挺好的，不过是抓取几万个网页而已。
|
 |
19
seakingii 2022-04-05 12:47:12 +08:00
安全吗,注意法律问题....
两都都可以实现任务,不过考虑到数量级,尽量用性能高一点的语言吧,所以推荐用 c#而不是 python |
 |
20
ch2 2022-04-05 13:03:34 +08:00
这两个都能胜任，最大的瓶颈是你的网卡有多少带宽以及对面网站会给你一个 ip 分多少带宽
|
 |
23
wzzzx 2022-04-05 14:06:58 +08:00
大部分的业务场景，语言都不是瓶颈
|
 |
24
iyaozhen 2022-04-05 14:21:55 +08:00
都行，不是瓶颈。Python 性能差不是在 IO 上差
|
 |
26
fanxiao 2022-04-05 16:18:34 +08:00
c# async await 模式，挺适合这种 IO 密集型任务
|
 |
27
wangritian 2022-04-05 18:32:15 +08:00
语言不重要，协程模型是关键，最适合这件事的我觉得是 go
|
 |
28
westoy 2022-04-05 18:37:58 +08:00
|
 |
29
em70 2022-04-05 18:47:23 +08:00
哪个你写代码快用哪个
|
 |
30
Yunen 2022-04-05 19:22:52 +08:00
首选 golang
|
 |
31
ClericPy 2022-04-05 19:57:37 +08:00
Python 请求几百万不是大量级, 带宽足够的情况下, aiohttp + uvloop 大约一小时以内就能搞定(之前爬 fb 380 万页请求开个多核加协程 50 分钟就抓完了), 如果是线程的话并发高了切换开销太大真不如协程, 性能损耗太大了. C# 不了解, 不过也算协程友好的, 熟悉哪个用哪个吧
|
 |
32
IvanLi127 2022-04-05 22:53:02 +08:00 via Android
我选 C#。
|
 |
33
ration 2022-04-06 00:46:41 +08:00 via Android
爬虫 python 的库多
|
 |
34
ElmerZhang 2022-04-06 10:13:28 +08:00
我可能会选择写一段 shell
|
 |
35
Ackvincent 2022-04-06 10:36:14 +08:00
这不就是 python 的活嘛
|
 |
36
bthulu 2022-04-06 10:42:47 +08:00
要个屁的线程池啊, 单线程高宽带就行了. 把你这数百万个任务写到一个文件里, 然后直接下载这个文件就好了
|
|
37
rv54ntjwfm3ug8 OP @bthulu #36 有的 URL 不到 0.1 秒就请求完了，有的 URL 要等 10 分钟超时，显然爬的不可能是我的网站，有几个万个不同的网站
|
 |
39
beyondex 2022-04-06 14:26:55 +08:00
当然是 C# 在并发、任务调度这块，官方、三方都用很好用的库
|
Select Language