Hawk 4.6 并行化

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

并行化

Hawk支持单机并行化，也就是使用多线程获取数据。它可以控制目前所有任务的数量，为了不给网站造成过大的压力，仅当任务池中的任务数量小于一定值后，才会插入新的任务。

你可以在数据清洗的 执行面板中，选择串行和并行模式：

在调试模式下，所有获取都是串行的。而执行模式下，执行器才会执行。为了更好地理解并行化，强烈建议阅读下面的内容。

最简单的并行化

我们以抓取某个网站的100个页面为例，第一个模块生成区间数,可以生成1-100的页面，自然地，就可以创建100个任务，分别抓取了。

Hawk在默认情况下，会以本流程的第一个模块生成的元素数量，作为创建任务的数量。

但是，但如果队首的生成器只生成了很少的元素，每个元素在后期，又会转换为大量的元素，那么这种方法就非常低下了。极端情况下队首生成器只生成一个元素，则并行化就毫无意义：

改进的并行

一种非常简单的思路，是将其切成两个流，并行在流中完成。

我们将其看成两个流，第一个流，负责产生出一堆种子任务出来，并加入到任务队列，之后再在这些任务的基础上，再分别调用第二个流。

如何切分流？取决于你在流中插入的并行的位置。这个位置就是切分为两个流的“切割点”。

以大众点评为例，北京有14个区县，有30种美食类型，如果直接在区县后插入并行，则只有14个子任务，任务数量太少：那么先通过流1,获取420个元素，再以420个元素的基础上，插入并行，这样速度就快很多了。你也可以在14个区县之后插入并行化，那么就有14个子任务

反过来，如果每个任务的工作量太少，比如只访问一次网站内容，则这样的种子创建并行就显得过分地成本高昂，因此可以填写分组并行数量，比如10，那么Hawk就会以10个元素为一组，创建任务。

监控任务执行情况

任务管理器中，可以显示任务的名称，以及进度。这样可以方便监控。

子线程名称和子线程数量，都支持直接写值，或使用方括号表达式来获取别的列的内容。例如，如果你确定每个子任务都会获取100条数据，就可以在子线程数量中填写100，之后当该任务获取了50个元素时，进度条正好处在50%的位置。如果有一列名为“小区名”，则可以在子线程名称栏目中填写[小区名] ，Hawk就会把小区名列中的内容作为子任务的名称。