質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

469閲覧

大量の小サイズhtmlをスクレイピングするときの速度を上げる方法

drken35

総合スコア16

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

1クリップ

投稿2018/03/04 12:44

事前に取得した平均サイズ10kbのhtmlファイルが3万件あります.
これをBeautifulSoupによってループしつつスクレイピングしていく予定です.
ループを回しきるのにどのくらいかかるかなと思って,ちょっと以下のコードを書いてみました.

python

1from bs4 import BeautifulSoup ; import re ; import glob ; from collections import Counter 2html=glob.glob("htmls/*") 3uniques=set() 4#対象の重複無し一覧を取得 5for n in range(len(html)): 6 soup = BeautifulSoup(open(html[n]),"lxml") 7 uniques.add(header.find("div",class_="foo").text) 8#表示 9for n in uniques: 10 print(n)

結果,完了までの時間は30分ほどでした.
ちょっと時間がかかりすぎている印象で,調べてみたところ,記憶装置のランダムアクセス性能の低さを主因とする問題のようでした.
使っている記憶装置はSanDisk SSD Extreme PRO 480GBで,読み書き性能は次の通りです(amazonのコピペ)
シーケンシャル読出し速度 : 最大550MB/秒、シーケンシャル書込み速度 : 最大515MB/秒
ランダム読出し速度 : 最大100K IOPS、ランダム書込み速度 : 最大90K IOPS
なお処理中のCPUとメモリの負荷は最大10%程度です.

スクレイピングは初めてなんですが,速度的にはこのくらいが普通なんでしょうか?
小容量+大量ファイルを対象とするときは~~という書き方がある,というようなセオリーがあれば,教えてください.
例えば記憶装置間のファイル移動であれば,一度zipとかに纏めれば,ずっと高速ですよね.
BeautifulSoupや.その他pythonを使用したスクレイピング技術/手法にそのような機能やハウツーはありませんか?

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

umyu

2018/03/04 12:57

まず、cProfile で実行プロファイルを取得してみてはどうでしょうか?
drken35

2018/03/04 14:03

なるほど,分析ツールがあるんですね.お恥ずかしながら知りませんでした.ちょっとやってみます
guest

回答1

0

ベストアンサー

  1. 1000件/分 よりも早くなら並列処理
  2. 必要なデータをDB保持してファイル更新のあったもののみ処理する

がぱっと思いつくところ

投稿2018/03/04 12:53

退会済みユーザー

退会済みユーザー

総合スコア0

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

drken35

2018/03/04 14:12

回答ありがとうございます. 1は物理的な話ですよね? つまりファイルと記憶装置を2つに割って平行処理すれば2倍速,みたいな それともひとつの記憶装置に並列アクセスするんでしょうか(速度出ます?) 2はたぶん今回やりたいこととはちょっと違う感じのお話のようでした
退会済みユーザー

退会済みユーザー

2018/03/04 14:20

1.のは並列処理(マルチスレッド処理)で結果を合計する プログラム構想としては http://ossforum.jp/node/578 が参考になるかと
drken35

2018/03/05 14:17

いいものを紹介してくださって,ありがとうございます 勉強してみます
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問