[置顶] Scrapy性能分析

之前讲过（这里），当Scrapy正常运行时，下载器是瓶颈。在这种情况下，你会看到调度器中有一些请求，下载器中的并发请求数目已经达到最大值，而scraper（爬虫和pipeline）的负载比较轻，正在处理的Response对象数目也不会一直增长。

主要有三个设置项来控制下载器的容量：CONCURRENT_REQUESTS，CONCURRENT_REQUESTS_PER_DOMAIN和
CONCURRENT_REQUESTS_PER_IP。第一个设置项提供了一个粗略的控制，无论如何不会有超过CONCURRENT_REQUESTS数目的请求被并发下载。在另一方面，如果你的目标域名只是一个或者少数的几个，那么CONCURRENT_REQUESTS_PER_DOMAIN可能就会提供对并发请求数目的更进一步的限制。不过如果你设置了CONCURRENT_REQUESTS_PER_IP，那么CONCURRENT_REQUESTS_PER_DOMAIN就会被忽略，这时的限制会是针对每个IP的。在很多域名都反射一个服务器的时候，这会帮你避免过度地访问远程服务器。

为了使我们的分析工作简单一点，我们把CONCURRENT_REQUESTS_PER_IP保持为默认值（0），这样就禁用了对每个IP的限制，并且把CONCURRENT_REQUESTS_PER_DOMAIN设置成一个很大的值（1000000） 。这样的设置实际上就是禁用了这些限制，这样下载器的并发请求数目就只由CONCURRENT_REQUESTS来控制了。

我们希望系统的吞吐量决定于它下载一个页面所花费的平均时间，包括远程服务器响应的时间和我们自己的系统（Linux，Twisted/Python）的延迟时间。再把启动时间和关闭时间也算进来，包括得到一个Response对象的时间与它的Item从pipeline中处理完毕的时间之差，以及程序启动后到得到第一个Response对象之间的延迟。

总的来说，如果你需要完成一个共有N个请求的作业，并且爬虫已经被调整好了，那么程序就可能在时间内运行完。

对于上面公式的大多数参数我们都没法控制它们，我们可能通过使用一个性能比较好的服务器来稍稍控制一下和（这个参数甚至都不值去控制它，因为每次运行我们一般只启动和关闭程序一次）。除了这些对一个工作量为N个请求的作业的稍微改善，所有我们能调整的只是CONCURRENT_REQUESTS的值，这个主要取决于我们要多频繁地访问远程服务器。如果我们把它设置成一个很大的值，那么在某个时候，我们的服务器的CPU和远程服务器的承受能力都会达到一个饱和状态，也就是说，那个时候的值会急剧上升，因为目标网站会限制我们的访问或者禁止掉我们的IP、或者我们直接把目标网站搞瘫痪了。

下面运行一个实验。我们分别使用和这两个条件为变量来运行爬虫：

$ for delay in 0.125 0.25 0.50; do for concurrent in 8 16 32 64; do
    time scrapy crawl speed -s SPEED_TOTAL_ITEMS=2000 -s CONCURRENT_REQUESTS=$concurrent -s SPEED_T_RESPONSE=$delay
done; done

下面是结果：

组织一下上面的那个方程，可以得到一个简单的形式，而x = N/CONCURRENT_REQUESTS。用最小二乘法和表格中的数据，可以得到和。值很小可以忽略，而从开始到得到第一个响应的时间虽然比较长但是对于数千的URL以及很长的运行时间就不足为虑了。下面是计算吞吐量的一个公式：。