加速HTTP请求python和500

Question

我有一个代码，它使用一个查询和一个时间范围（可能长达一年）从这个newspaper检索新闻结果。在

结果被分页到每页10篇文章，因为我找不到增加它的方法，所以我为每个页面发出一个请求，然后检索每篇文章的标题、url和日期。每个周期（HTTP请求和解析）需要30秒到1分钟的时间，这非常慢。最终它将以500的响应代码停止。我想知道是否有办法加快速度或者一次提出多个请求。我只想检索所有页面中的文章细节。 代码如下：

    import requests
    import re
    from bs4 import BeautifulSoup
    import csv

    URL = 'http://www.gulf-times.com/AdvanceSearchNews.aspx?Pageindex={index}&keywordtitle={query}&keywordbrief={query}&keywordbody={query}&category=&timeframe=&datefrom={datefrom}&dateTo={dateto}&isTimeFrame=0'


    def run(**params):
        countryFile = open("EgyptDaybyDay.csv","a")
        i=1
        results = True
        while results:
                    params["index"]=str(i)
                    response = requests.get(URL.format(**params))
                    print response.status_code
                    htmlFile = BeautifulSoup(response.content)
                    articles = htmlFile.findAll("div", { "class" : "newslist" })

                    for article in articles:
                                url =  (article.a['href']).encode('utf-8','ignore')
                                title = (article.img['alt']).encode('utf-8','ignore')
                                dateline = article.find("div",{"class": "floatright"})
                                m = re.search("([0-9]{2}\-[0-9]{2}\-[0-9]{4})", dateline.string)
                                date =  m.group(1)
                                w = csv.writer(countryFile,delimiter=',',quotechar='|', quoting=csv.QUOTE_MINIMAL)
                                w.writerow((date, title, url ))

                    if not articles:
                                results = False
                    i+=1
        countryFile.close()


    run(query="Egypt", datefrom="12-01-2010", dateto="12-01-2011")

Answer 1

在我看来，你在找一份报纸没有登广告的饲料。然而，这是一个以前已经解决过的问题——有很多站点会为您生成任意网站的提要，从而至少解决了您的一个问题。其中一些需要一些人的指导，而另一些人调整的机会更少，而且更自动。在

如果您可以避免自己进行分页和解析，我建议您这样做。如果不能，为了简单起见，我支持使用gevent。也就是说，如果他们把你的代码发送回500，你的代码就不会有什么问题，增加并行性也不会有帮助。在

Answer 2

这是一个尝试gevent的好机会。在

你应该为请求.get使应用程序不必等待IO阻塞。在

然后，您可以生成多个worker，并使用队列来传递请求和文章。 也许是类似的事情：

import gevent.monkey
from gevent.queue import Queue
from gevent import sleep
gevent.monkey.patch_all()

MAX_REQUESTS = 10

requests = Queue(MAX_REQUESTS)
articles = Queue()

mock_responses = range(100)
mock_responses.reverse()

def request():
    print "worker started"
    while True:
        print "request %s" % requests.get()
        sleep(1)

        try:
            articles.put('article response %s' % mock_responses.pop())
        except IndexError:
            articles.put(StopIteration)
            break

def run():
    print "run"

    i = 1
    while True:
        requests.put(i)
        i += 1

if __name__ == '__main__':
    for worker in range(MAX_REQUESTS):
        gevent.spawn(request)

    gevent.spawn(run)
    for article in articles:
        print "Got article: %s" % article

Answer 3

最慢的可能是服务器，因此并行化http请求将是提高代码运行速度的最佳方法，尽管要加快服务器响应速度几乎无能为力。在IBM上有一个很好的教程，教你如何做到这一点