crawlo 1.1.8__py3-none-any.whl → 1.2.0__py3-none-any.whl

crawlo/utils/large_scale_config.py

@@ -1,287 +1,287 @@
-#!/usr/bin/env python3
-# -*- coding: utf-8 -*-
-"""
-大规模爬虫配置助手
-提供针对上万请求场景的优化配置
-"""
-from typing import Dict, Any
-
-from crawlo.utils.queue_helper import QueueHelper
-
-
-class LargeScaleConfig:
-    """大规模爬虫配置类"""
-    
-    @staticmethod
-    def conservative_config(concurrency: int = 8) -> Dict[str, Any]:
-        """
-        保守配置 - 适用于资源有限的环境
-        
-        特点：
-        - 较小的队列容量
-        - 较低的并发数
-        - 较长的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:conservative",
-            max_retries=3,
-            timeout=300
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 10,  # 队列容量为并发数的10倍
-            'MAX_RUNNING_SPIDERS': 1,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.2,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.8, 1.5),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 5 * 1024 * 1024,  # 5MB
-            'CONNECTION_POOL_LIMIT': concurrency * 2,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 2,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def balanced_config(concurrency: int = 16) -> Dict[str, Any]:
-        """
-        平衡配置 - 适用于一般生产环境
-        
-        特点：
-        - 中等的队列容量
-        - 平衡的并发数
-        - 适中的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:balanced",
-            max_retries=5,
-            timeout=600
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 15,
-            'MAX_RUNNING_SPIDERS': 2,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.1,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.5, 1.2),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 10 * 1024 * 1024,  # 10MB
-            'CONNECTION_POOL_LIMIT': concurrency * 3,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 3,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def aggressive_config(concurrency: int = 32) -> Dict[str, Any]:
-        """
-        激进配置 - 适用于高性能环境
-        
-        特点：
-        - 大的队列容量
-        - 高并发数
-        - 较短的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:aggressive",
-            max_retries=10,
-            timeout=900
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 20,
-            'MAX_RUNNING_SPIDERS': 3,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.05,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.3, 1.0),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 20 * 1024 * 1024,  # 20MB
-            'CONNECTION_POOL_LIMIT': concurrency * 4,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 5,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def memory_optimized_config(concurrency: int = 12) -> Dict[str, Any]:
-        """
-        内存优化配置 - 适用于大规模但内存受限的场景
-        
-        特点：
-        - 小队列，快速流转
-        - 严格的内存控制
-        - 使用Redis减少内存压力
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:memory_optimized",
-            max_retries=3,
-            timeout=300
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 5,  # 小队列
-            'MAX_RUNNING_SPIDERS': 1,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.1,
-            'RANDOMNESS': False,  # 减少随机性降低内存使用
-            
-            # 严格的内存控制
-            'DOWNLOAD_MAXSIZE': 2 * 1024 * 1024,  # 2MB
-            'DOWNLOAD_WARN_SIZE': 512 * 1024,     # 512KB
-            'CONNECTION_POOL_LIMIT': concurrency,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 2,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
-        })
-        
-        return config
-
-
-def apply_large_scale_config(settings_dict: Dict[str, Any], config_type: str = "balanced", concurrency: int = None):
-    """
-    应用大规模配置
-    
-    Args:
-        settings_dict: 设置字典
-        config_type: 配置类型 ("conservative", "balanced", "aggressive", "memory_optimized")
-        concurrency: 并发数（可选，不指定则使用默认值）
-    """
-    config_map = {
-        "conservative": LargeScaleConfig.conservative_config,
-        "balanced": LargeScaleConfig.balanced_config,
-        "aggressive": LargeScaleConfig.aggressive_config,
-        "memory_optimized": LargeScaleConfig.memory_optimized_config
-    }
-    
-    if config_type not in config_map:
-        raise ValueError(f"不支持的配置类型: {config_type}")
-    
-    if concurrency:
-        config = config_map[config_type](concurrency)
-    else:
-        config = config_map[config_type]()
-    
-    settings_dict.update(config)
-    
-    return config
-
-
-# 使用示例和说明
-USAGE_GUIDE = """
-# 大规模爬虫配置使用指南
-
-## 1. 选择合适的配置类型
-
-### Conservative (保守型)
-- 适用场景：资源受限、网络不稳定的环境
-- 并发数：8 (默认)
-- 队列容量：80
-- 延迟：200ms
-- 使用场景：个人开发、小规模爬取
-
-### Balanced (平衡型) 
-- 适用场景：一般生产环境
-- 并发数：16 (默认)
-- 队列容量：240
-- 延迟：100ms
-- 使用场景：中小企业生产环境
-
-### Aggressive (激进型)
-- 适用场景：高性能服务器、对速度要求高
-- 并发数：32 (默认)
-- 队列容量：640
-- 延迟：50ms
-- 使用场景：大公司、高并发需求
-
-### Memory Optimized (内存优化型)
-- 适用场景：大规模爬取但内存受限
-- 并发数：12 (默认)
-- 队列容量：60 (小队列快速流转)
-- 延迟：100ms
-- 使用场景：处理数万/数十万请求但内存有限
-
-## 2. 使用方法
-
-```python
-# 方法1：在 settings.py 中直接配置
-from crawlo.utils.large_scale_config import apply_large_scale_config
-
-# 使用平衡配置，16并发
-apply_large_scale_config(locals(), "balanced", 16)
-
-# 方法2：在爬虫代码中动态配置
-from crawlo.crawler import CrawlerProcess
-from crawlo.utils.large_scale_config import LargeScaleConfig
-
-process = CrawlerProcess()
-config = LargeScaleConfig.memory_optimized_config(20)  # 20并发的内存优化配置
-process.settings.update(config)
-
-# 方法3：自定义配置
-config = LargeScaleConfig.balanced_config(24)  # 24并发
-config['DOWNLOAD_DELAY'] = 0.05  # 自定义延迟
-process.settings.update(config)
-```
-
-## 3. 针对不同场景的建议
-
-### 处理5万+请求
-```python
-# 推荐内存优化配置
-apply_large_scale_config(locals(), "memory_optimized", 20)
-```
-
-### 高速爬取但服务器性能好
-```python
-# 推荐激进配置
-apply_large_scale_config(locals(), "aggressive", 40)
-```
-
-### 资源受限但要稳定运行
-```python
-# 推荐保守配置
-apply_large_scale_config(locals(), "conservative", 6)
-```
-
-### 平衡性能和稳定性
-```python
-# 推荐平衡配置
-apply_large_scale_config(locals(), "balanced", 18)
-```
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+大规模爬虫配置助手
+提供针对上万请求场景的优化配置
+"""
+from typing import Dict, Any
+
+from crawlo.utils.queue_helper import QueueHelper
+
+
+class LargeScaleConfig:
+    """大规模爬虫配置类"""
+    
+    @staticmethod
+    def conservative_config(concurrency: int = 8) -> Dict[str, Any]:
+        """
+        保守配置 - 适用于资源有限的环境
+        
+        特点：
+        - 较小的队列容量
+        - 较低的并发数
+        - 较长的延迟
+        """
+        config = QueueHelper.use_redis_queue(
+            queue_name="crawlo:conservative",
+            max_retries=3,
+            timeout=300
+        )
+        
+        config.update({
+            # 并发控制
+            'CONCURRENCY': concurrency,
+            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 10,  # 队列容量为并发数的10倍
+            'MAX_RUNNING_SPIDERS': 1,
+            
+            # 请求控制
+            'DOWNLOAD_DELAY': 0.2,
+            'RANDOMNESS': True,
+            'RANDOM_RANGE': (0.8, 1.5),
+            
+            # 内存控制
+            'DOWNLOAD_MAXSIZE': 5 * 1024 * 1024,  # 5MB
+            'CONNECTION_POOL_LIMIT': concurrency * 2,
+            
+            # 重试策略
+            'MAX_RETRY_TIMES': 2,
+            
+            # 使用增强引擎
+            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
+        })
+        
+        return config
+    
+    @staticmethod
+    def balanced_config(concurrency: int = 16) -> Dict[str, Any]:
+        """
+        平衡配置 - 适用于一般生产环境
+        
+        特点：
+        - 中等的队列容量
+        - 平衡的并发数
+        - 适中的延迟
+        """
+        config = QueueHelper.use_redis_queue(
+            queue_name="crawlo:balanced",
+            max_retries=5,
+            timeout=600
+        )
+        
+        config.update({
+            # 并发控制
+            'CONCURRENCY': concurrency,
+            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 15,
+            'MAX_RUNNING_SPIDERS': 2,
+            
+            # 请求控制
+            'DOWNLOAD_DELAY': 0.1,
+            'RANDOMNESS': True,
+            'RANDOM_RANGE': (0.5, 1.2),
+            
+            # 内存控制
+            'DOWNLOAD_MAXSIZE': 10 * 1024 * 1024,  # 10MB
+            'CONNECTION_POOL_LIMIT': concurrency * 3,
+            
+            # 重试策略
+            'MAX_RETRY_TIMES': 3,
+            
+            # 使用增强引擎
+            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
+        })
+        
+        return config
+    
+    @staticmethod
+    def aggressive_config(concurrency: int = 32) -> Dict[str, Any]:
+        """
+        激进配置 - 适用于高性能环境
+        
+        特点：
+        - 大的队列容量
+        - 高并发数
+        - 较短的延迟
+        """
+        config = QueueHelper.use_redis_queue(
+            queue_name="crawlo:aggressive",
+            max_retries=10,
+            timeout=900
+        )
+        
+        config.update({
+            # 并发控制
+            'CONCURRENCY': concurrency,
+            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 20,
+            'MAX_RUNNING_SPIDERS': 3,
+            
+            # 请求控制
+            'DOWNLOAD_DELAY': 0.05,
+            'RANDOMNESS': True,
+            'RANDOM_RANGE': (0.3, 1.0),
+            
+            # 内存控制
+            'DOWNLOAD_MAXSIZE': 20 * 1024 * 1024,  # 20MB
+            'CONNECTION_POOL_LIMIT': concurrency * 4,
+            
+            # 重试策略
+            'MAX_RETRY_TIMES': 5,
+            
+            # 使用增强引擎
+            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
+        })
+        
+        return config
+    
+    @staticmethod
+    def memory_optimized_config(concurrency: int = 12) -> Dict[str, Any]:
+        """
+        内存优化配置 - 适用于大规模但内存受限的场景
+        
+        特点：
+        - 小队列，快速流转
+        - 严格的内存控制
+        - 使用Redis减少内存压力
+        """
+        config = QueueHelper.use_redis_queue(
+            queue_name="crawlo:memory_optimized",
+            max_retries=3,
+            timeout=300
+        )
+        
+        config.update({
+            # 并发控制
+            'CONCURRENCY': concurrency,
+            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 5,  # 小队列
+            'MAX_RUNNING_SPIDERS': 1,
+            
+            # 请求控制
+            'DOWNLOAD_DELAY': 0.1,
+            'RANDOMNESS': False,  # 减少随机性降低内存使用
+            
+            # 严格的内存控制
+            'DOWNLOAD_MAXSIZE': 2 * 1024 * 1024,  # 2MB
+            'DOWNLOAD_WARN_SIZE': 512 * 1024,     # 512KB
+            'CONNECTION_POOL_LIMIT': concurrency,
+            
+            # 重试策略
+            'MAX_RETRY_TIMES': 2,
+            
+            # 使用增强引擎
+            'ENGINE_CLASS': 'crawlo.core.enhanced_engine.EnhancedEngine'
+        })
+        
+        return config
+
+
+def apply_large_scale_config(settings_dict: Dict[str, Any], config_type: str = "balanced", concurrency: int = None):
+    """
+    应用大规模配置
+    
+    Args:
+        settings_dict: 设置字典
+        config_type: 配置类型 ("conservative", "balanced", "aggressive", "memory_optimized")
+        concurrency: 并发数（可选，不指定则使用默认值）
+    """
+    config_map = {
+        "conservative": LargeScaleConfig.conservative_config,
+        "balanced": LargeScaleConfig.balanced_config,
+        "aggressive": LargeScaleConfig.aggressive_config,
+        "memory_optimized": LargeScaleConfig.memory_optimized_config
+    }
+    
+    if config_type not in config_map:
+        raise ValueError(f"不支持的配置类型: {config_type}")
+    
+    if concurrency:
+        config = config_map[config_type](concurrency)
+    else:
+        config = config_map[config_type]()
+    
+    settings_dict.update(config)
+    
+    return config
+
+
+# 使用示例和说明
+USAGE_GUIDE = """
+# 大规模爬虫配置使用指南
+
+## 1. 选择合适的配置类型
+
+### Conservative (保守型)
+- 适用场景：资源受限、网络不稳定的环境
+- 并发数：8 (默认)
+- 队列容量：80
+- 延迟：200ms
+- 使用场景：个人开发、小规模爬取
+
+### Balanced (平衡型) 
+- 适用场景：一般生产环境
+- 并发数：16 (默认)
+- 队列容量：240
+- 延迟：100ms
+- 使用场景：中小企业生产环境
+
+### Aggressive (激进型)
+- 适用场景：高性能服务器、对速度要求高
+- 并发数：32 (默认)
+- 队列容量：640
+- 延迟：50ms
+- 使用场景：大公司、高并发需求
+
+### Memory Optimized (内存优化型)
+- 适用场景：大规模爬取但内存受限
+- 并发数：12 (默认)
+- 队列容量：60 (小队列快速流转)
+- 延迟：100ms
+- 使用场景：处理数万/数十万请求但内存有限
+
+## 2. 使用方法
+
+```python
+# 方法1：在 settings.py 中直接配置
+from crawlo.utils.large_scale_config import apply_large_scale_config
+
+# 使用平衡配置，16并发
+apply_large_scale_config(locals(), "balanced", 16)
+
+# 方法2：在爬虫代码中动态配置
+from crawlo.crawler import CrawlerProcess
+from crawlo.utils.large_scale_config import LargeScaleConfig
+
+process = CrawlerProcess()
+config = LargeScaleConfig.memory_optimized_config(20)  # 20并发的内存优化配置
+process.settings.update(config)
+
+# 方法3：自定义配置
+config = LargeScaleConfig.balanced_config(24)  # 24并发
+config['DOWNLOAD_DELAY'] = 0.05  # 自定义延迟
+process.settings.update(config)
+```
+
+## 3. 针对不同场景的建议
+
+### 处理5万+请求
+```python
+# 推荐内存优化配置
+apply_large_scale_config(locals(), "memory_optimized", 20)
+```
+
+### 高速爬取但服务器性能好
+```python
+# 推荐激进配置
+apply_large_scale_config(locals(), "aggressive", 40)
+```
+
+### 资源受限但要稳定运行
+```python
+# 推荐保守配置
+apply_large_scale_config(locals(), "conservative", 6)
+```
+
+### 平衡性能和稳定性
+```python
+# 推荐平衡配置
+apply_large_scale_config(locals(), "balanced", 18)
+```
 """