Question

我正在Windows 7上使用最新版本的R。

我想使用RSelenium并行运行许多测试，所以我的问题是：

运行许多RSelenium测试的推荐方式是什么？

假设我要运行1000个测试，每个步骤需要1个小时。一个接一个地运行测试会花费很多时间（每天进行24个测试，因此总共cca为42天）。我知道如何使用doParallel和foreach包在我的计算机上并行运行测试：Run RSelenium in parallel，但是有时候，这还不够。我想并行运行约100个测试。我曾尝试使用Azure Batch，但是在启动Selenium服务器时某些节点上会出现很多错误。

更具体地说，我编写了dockerfile：

FROM rocker/r-base:latest 

RUN  apt-get update \
  && apt-get install -y --no-install-recommends \
   libxml2-dev \
   libcurl4-openssl-dev \
   libssl-dev \
   gnupg2 \
   libfftw3-dev \
   libtiff-dev \
   libx11-dev \
   libcairo2-dev \
   libxt-dev \
   firefox

#RUN add-apt-repository -y ppa:mozillateam/firefox-next

## Install Java 
RUN echo "deb http://ppa.launchpad.net/webupd8team/java/ubuntu trusty main" \ 
        | tee /etc/apt/sources.list.d/webupd8team-java.list \ 
    && echo "deb-src http://ppa.launchpad.net/webupd8team/java/ubuntu trusty main" \ 
        | tee -a /etc/apt/sources.list.d/webupd8team-java.list \ 
    && apt-key adv --keyserver keyserver.ubuntu.com --recv-keys EEA14886 \ 
    && echo "oracle-java8-installer shared/accepted-oracle-license-v1-1 select true" \ 
        | /usr/bin/debconf-set-selections \ 
    && apt-get update \ 
    && apt-get install -y oracle-java8-installer \ 
    && update-alternatives --display java \ 
    && rm -rf /var/lib/apt/lists/* \ 
    && apt-get clean \ 
    && R CMD javareconf 

## make sure Java can be found in rApache and other daemons not looking in R ldpaths 
RUN echo "/usr/lib/jvm/java-8-oracle/jre/lib/amd64/server/" > /etc/ld.so.conf.d/rJava.conf 
RUN /sbin/ldconfig

# Install the R Packages from CRAN
RUN Rscript -e 'install.packages(c("Cairo", "Rcpp", "RSelenium", "httr", "rvest", "imager", "RCurl"))'

我使用了doAzureParallel包来并行执行许多脚本：

# prepare Azure batch
setwd("E:/data/R/web_scraping/zk_ba/azure")
library(doAzureParallel) 
setVerbose(TRUE)
setAutoDeleteJob(FALSE)
generateCredentialsConfig("credentials.json") 
setCredentials("credentials.json")
generateClusterConfig("cluster.json")
cluster <- makeCluster("cluster.json") 
registerDoAzureParallel(cluster) 
getDoParWorkers()
opt <- list(wait = FALSE) 

jobId <- foreach(
  i = 1:n_cluster, 
  # .packages = c("RSelenium", "imager", "httr", "RCurl", "rvest"),
  # .combine = 'rbind',
  .errorhandling = "pass",
  .options.azure = opt, 
  .export = c("metadata", "first_step", "parcele_df", "vlasnici_df", "status_teret_df", "n_cluster")
) %dopar% { 

  library(RSelenium)
  library(imager)
  library(httr)
  library(RCurl)
  library(rvest)

  #-----------------------------------#
  #    START SELENIUM AND PREPARE     #
  #-----------------------------------#

  if (first_step == TRUE) {
    tryCatch({
      rD <<- RSelenium::rsDriver(
        browser = "firefox",
        extraCapabilities = list(
          "moz:firefoxOptions" = list(
            args = list('--headless')
          )
        )
      )
    }, error = function(e) NA)
    driver <<- rD$client
    driver$open()
    driver$navigate("http://www.e-grunt.ba/")
    Sys.sleep(3L)
..
}

但是在许多节点上都会返回此错误：

<simpleError in checkError(res): Undefined error in httr call. httr output: Failed to connect to localhost port 4567: Connection refused>

在很多并行测试中需要使用RSelenium的情况下，什么是一般建议？

Answer 1

RSelenium连接到默认情况下在端口4567上设置的Selenium服务器。只要其中一个并行节点通过此端口连接到服务器，其他任何节点都无法通过此端口连接。

一种解决方案是在rsDriver循环中向foreach添加以下参数：

rD <<- RSelenium::rsDriver(
        port = 4567L + as.integer(i),
        browser = "firefox",
        extraCapabilities = list(
          "moz:firefoxOptions" = list(
            args = list('--headless')
          )
        )

您可能必须检查端口是否与其他应用程序冲突。

在Azure批处理上运行Selenium并行测试

1 个答案: