Question

我正在试图使用Selenium来获取网站上特定搜索的结果数量。基本上，我想让这个过程运行得更快。我的代码通过迭代搜索术语然后通过报纸工作，并将收集的数据输出到CSV。目前，这将在3年内生成3个搜索词x 3个报纸，每个CSV大约10分钟就能得到9个CSV。

我想使用多处理同时或至少更快地运行每个搜索和报纸组合。我已尝试在此处关注其他示例，但未能成功实施它们。以下是我目前的代码：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
import os
import pandas as pd
from multiprocessing import Pool

def websitesearch(search):
    try:
        start = list_of_inputs[0]
        end = list_of_inputs[1]
        newsabbv=list_of_inputs[2]
        directory=list_of_inputs[3]
        os.chdir(directory)

        if search == broad:
            specification = "broad"
            relPapers = newsabbv

        elif search == narrow:
            specification = "narrow"
            relPapers = newsabbv

        elif search == general:
            specification = "allarticles"
            relPapers = newsabbv

        else:
            for newspapers in relPapers:

               ...rest of code here that gets the data and puts it in a list named all_Data...

                browser.close()
                df = pd.DataFrame(all_Data)
                df.to_csv(filename, index=False)          

    except:
        print('error with item')



if __name__ == '__main__':
 ...Initializing values and things like that go here. This helps with the setup for search...

    #These are things that go into the function        
    start = ["January",2015]
    end = ["August",2017]
    directory = "STUFF GOES HERE"
    newsabbv = all_news_abbv
    search_list = [narrow, broad, general]

    list_of_inputs = [start,end,newsabbv,directory]    

    pool = Pool(processes=4)
    for search in search_list:
        pool.map(websitesearch, search_list)
        print(list_of_inputs)

如果我在main（）函数中添加一个print语句，它将打印出来，但实际上并没有发生任何事情。我很感激所有的帮助。我遗漏了获取值的代码并将其放入列表中，因为它很复杂，但我知道它有效。

提前感谢您的帮助！如果我能提供更多信息，请告诉我。

艾萨克

编辑：我已经在线查看了更多帮助，并意识到我误解了使用pool.map（fn，list）将列表映射到函数的目的。我已经更新了我的代码以反映我当前的方法仍然无效。我还将初始化值移动到主函数中。

Answer 1

我不认为这可以按照您的方式进行多处理。因为那里仍然有硒引起的队列处理（不是队列模块）。

原因是...硒只能处理一个窗口，不能同时处理多个窗口或选项卡浏览器（window_handle功能的限制）。这意味着....您的多进程仅处理内存中发送到硒或被硒抓取的数据进程。通过尝试在一个脚本文件中处理硒的爬网，将使硒成为瓶颈工艺的来源。

实现真正的多进程的最佳方法是：

制作一个使用selenium处理该url的脚本，以selenium进行爬网并将其保存为文件。例如crawler.py并确保脚本具有打印命令以打印结果

例如：

import -> all modules that you need to run selenium
import sys

url = sys.argv[1] #you will catch the url 

driver = ......#open browser

driver.get(url)
#just continue the script base on your method

print(--the result that you want--)
sys.exit(0)

我可以提供更多的解释，因为这是该过程的主要核心，只有您自己理解，您想在该网络上做什么。

制作另一个脚本文件：

a。设计URL，多进程意味着创建一些进程并与所有CPU内核一起运行，这是实现它的最佳方法...首先是确定输入过程，在您的情况下，也许是URL目标（您不给我们），您要抓取的网站目标）。但是网站的每个页面都有不同的网址。只需收集所有url并将其分为几个组即可（最佳实践：您的cpu核心-1）

例如：

import multiprocessing as mp

cpucore=int(mp.cpu_count())-1.

b。将网址发送到使用您之前进行过的crawl.py处理（通过子流程或其他模块，例如os.system）。确保您运行crawl.py max == cpucore。

例如：

crawler = r'YOUR FILE DIRECTORY\crawler.py'

def devideurl():
    global url1, url2, url3, url4
    make script that result:
    urls1 = groups or list of url
    urls2 = groups or list of url
    urls3 = groups or list of url
    urls4 = groups or list of url

def target1():
    for url in url1:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
        #do you see the combination between python crawler and url?
        #the cmd command will be: python crawler.py "value", the "value" is captured by sys.argv[1] command in crawler.py

def target2():
    for url in url2:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
def target3():
    for url in url1:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
def target4():
    for url in url2:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...

cpucore = int(mp.cpu_count())-1
pool = Pool(processes="max is the value of cpucore")
for search in search_list:
    pool.map(target1, devideurl)
    pool.map(target2, devideurl)
    pool.map(target3, devideurl)
    pool.map(target4, devideurl)
    #you can make it, more, depend on your cpu core

c。将打印的结果保存到主脚本的内存中

d。继续您的脚本过程来处理您已经获得的数据。

最后，在主脚本中制作整个过程的多进程脚本。

使用此方法：

您可以打开许多浏览器窗口并同时处理它，并且由于从网站爬网进行的数据处理比内存中的数据处理慢，因此该方法至少可以减少数据流的瓶颈。意味着它比以前的方法要快。

非常乐于助人...欢呼

Python 3.4中的Selenium Multiprocessing帮助

1 个答案: