Python树莓派 爬虫心得

平台： 树莓派 linux

语言：python

搞一个爬虫都清楚是怎么回事，我这里玩过之后有下面的心得：

为什么要用树莓派呢，省电啊，没乱七八糟的桌面问题，可以一直开着。

1.树莓派上的磁盘写入对于不同格式是有区别的，我试过跑ntfs，开10线程就完全卡死不动了，wa（wait for io）很高。看了下原因是ntfs代码效率不高而且是在用户层的fuse基础上的，所以放弃换了ext4，后来又测试了一下准备上fat32（windows linux兼容）。顺带试了一下vfat，也是fuse的，就是知道不行了。测试数据如下：

* dd写入1GB

sudo mount /dev/sdb1  ~/tanhangbo
sudo dd bs=1M count=1K if=/dev/zero of=test.bin oflag=dsync

* dd读取1GB

sudo dd bs=1M count=1K if=test.bin of=/dev/null oflag=dsync

---> ntfs (需要fuse)

W: 275.428 s, 3.9 MB/s
R: 54.1916 s, 19.8 MB/s

---> exfat (需要fuse)

W: 123.785 s, 8.7 MB/s
R: 45.3635 s, 23.7 MB/s

---> fat32 

sudo mount -t vfat /dev/sdb1 ~/tanhangbo -o rw,umask=0000
问题不大，开10~20个线程下图片 2~3MB/s

W:62.3962 s, 17.2 MB/s
R:36.0879 s, 29.8 MB/s

---> ext4

W:111.132 s, 9.7 MB/s
R:37.3983 s, 28.7 MB/s

---> ext3 格式化很慢

W:89.2118 s, 12.0 MB/s
R:35.6953 s, 30.1 MB/s

---> ext2 格式化很慢

W:162.789 s, 6.6 MB/s
R:35.5818 s, 30.2 MB/s

小文件我就没去测了，大概看了一下fat32可以hold住，python爬起来跑了一下也没有大压力，关键是win&linux兼容，就非他不可了。不过fat32小问题就是没有日志，小心用就好了。要注意的是win下面自带分区软件不行，要下一个diskgenius来分区。

2.多线程爬比较好，虽然python多线程是假的，但是这是IO密集型没关系。我测试树莓派2B爬20个线程差不多了，再多就cpu满了。我先第一遍把url全部爬下来塞到一个sqlite数据库里面，再写个多线程代码，用多线程队列负载均衡爬。负载均衡策略比较简单，哪个队列东西少就放到哪个队列里面。每一个队列的大小和线程数量都可以自己设置，这样比较方便。

3.错误处理一定要做好。遇到磁盘错误或者404或者其他问题如果不处理好，放在那里爬就完蛋了。半天时间就浪费掉了。try catch一定要做好。日志也要放好看看到底哪里出错了。脚本也要做好补爬单策略因为网络超时这些问题。用数据库+补爬策略+本地存储应该没问题，跑个两三遍基本上可以爬完。

数据量一大就可以进行数据处理或者建一个网站处理了，这是后面的事情了，暂时考虑到用flask+bootstrap，这样比较轻量级，要做的好一点前端就用nodejs的webpack来处理了，后端用django。