Python 线程处理 - 内部缓冲区错误 - 内存不足

Question

我制作了一个简单的网络爬虫，使用 urllib 和 beautifulsoup 从网页上的 table 提取数据。为了加快数据拉取速度，我尝试使用线程，但出现以下错误： "internal buffer error : memory allocation failed : growing buffer" 此消息出现了很多次，然后指出： "out of memory"

感谢您的帮助。

from bs4 import BeautifulSoup
from datetime import datetime
import urllib2
import re
from threading import Thread

stockData = []

#Access the list of stocks to search for data
symbolfile = open("stocks.txt")
symbolslist = symbolfile.read()
newsymbolslist = symbolslist.split("\n")

#text file stock data is stored in
myfile = open("webcrawldata.txt","a")

#initializing data for extraction of web data
lineOfData = ""
i=0

def th(ur):
    stockData = []
    lineOfData = ""
    dataline = ""
    stats = ""
    page = ""
    soup = ""
    i=0
    #creates a timestamp for when program was won
    timestamp = datetime.now()
    #Get Data ONLINE
    #bloomberg stock quotes
    url= "http://www.bloomberg.com/quote/" + ur + ":US"
    page = urllib2.urlopen(url)
    soup = BeautifulSoup(page.read())
    #Extract key stats table only
    stats = soup.find("table", {"class": "key_stat_data" })
    #iteration for <tr>
    j = 0
    try:
        for row in stats.findAll('tr'):
            stockData.append(row.find('td'))
            j += 1
        except AttributeError:
            print "Table handling error in HTML"
    k=0
    for cell in stockData:
        #clean up text
        dataline = stockData[k]
        lineOfData = lineOfData + " " + str(dataline)
        k += 1
    g = str(timestamp) + " " + str(ur)+ ' ' + str(lineOfData) + ' ' +  ("\n\n\n")    
    myfile.write(g)
    print (ur + "\n")
    del stockData[:]
    lineOfData = ""
    dataline = ""
    stats = None
    page = None
    soup = None
    i += 1

threadlist = []

for u in newsymbolslist:
    t = Thread(target = th, args = (u,))
    t.start()
    threadlist.append(t)

for b in threadlist:
    b.join()enter code here

Answer 1

不要重新发明轮子，用Scrapy web-scraping framework:

Scrapy is an application framework for crawling web sites and extracting structured data which can be used for a wide range of useful applications, like data mining, information processing or historical archival.

想一想 - scalability/parallelizing/performance 问题已 为你解决 - 你真的想继续潜入 Thread 的精彩世界吗 python，让你的代码有异味，达到 CPU 和内存限制，处理冲突，最后，让你的代码无法调试和维护——而不是专注于提取和收集数据？而且，即使 gevent 我怀疑你的最终代码是否会像你基于 Scrapy 实现的那样更简单和可读。为什么不使用经过大量用户测试和使用的工具，该工具被证明是网络抓取 python 世界中有史以来最好的工具？

这里有一个 working 蜘蛛，它以类似的方式抓取引号：

from scrapy.spider import Spider
from scrapy.item import Item, Field
from scrapy.http import Request


class BloombergItem(Item):
    ur = Field()
    parameter = Field()
    value = Field()


class BloombergSpider(Spider):
    name = 'bloomberg'
    allowed_domains = ['www.bloomberg.com']

    def start_requests(self):
        with open("stocks.txt") as f:
            for ur in f:
                yield Request("http://www.bloomberg.com/quote/%s:US" % ur)

    def parse(self, response):
        for parameter in response.css('table.key_stat_data tr'):
            item = BloombergItem()
            item['ur'] = response.xpath('//title/text()').extract()[0].split(':')[0]
            item['parameter'] = parameter.xpath('th/text()').extract()[0]
            item['value'] = parameter.xpath('td/text()').extract()[0]
            yield item

如果stocks.txt的内容是：

AAPL

爬虫会输出（比如你选择JSON输出）：

[
  {
    "parameter": "Current P/E Ratio (ttm)",
    "value": "16.6091",
    "ur": "AAPL"
  },
  {
    "parameter": "Estimated P/E(09/2015)",
    "value": "13.6668",
    "ur": "AAPL"
  },
  {
    "parameter": "Relative P/E vs.",
    "value": "0.9439",
    "ur": "AAPL"
  },
  ...
]

开始使用 Scrapy 的一个好地方是 Scrapy Tutorial.

Answer 2

您启动的每个线程都有一个线程堆栈大小，即 8 kb Linux 系统中的默认值（参见 ulimit -s），因此您的线程所需的内存总数将超过 20 GB。

您可以使用线程池，例如 10 个线程；当一个完成了它的工作，它有另一个任务要做。

但是：运行线程多于 CPU 内核通常是胡说八道。所以我的建议是停止使用线程。您可以使用 gevent 之类的库来在不使用 OS 级线程的情况下做完全相同的事情。

gevent 的好处是猴子修补：你可以告诉 gevent 改变 Python 标准库的行为，这将改变你的透明地进入 "greenlet" 个对象（参见 gevent 文档更多细节）。 gevent提出的并发类型是特别适合密集训练 I/O 就像你在做的那样。

在您的代码中，只需在开头添加以下内容：

from gevent import monkey; monkey.patch_all()

您不能同时打开超过 1024 个文件描述符 Linux 系统默认（参见 ulimit -n）所以你必须增加如果您希望同时打开 2700 个文件描述符，则此限制。

Python 线程处理 - 内部缓冲区错误 - 内存不足

Python threading - internal buffer error - out of memory

python

beautifulsoup

web-crawler

out-of-memory

python-multithreading