Question

我试图在python 2.7.3中使用BeautifulSoup4处理几个网页但是在每次解析之后内存使用量都会上升。

此简化代码产生相同的行为：

from bs4 import BeautifulSoup

def parse():
    f = open("index.html", "r")
    page = BeautifulSoup(f.read(), "lxml")
    f.close()

while True:
    parse()
    raw_input()

在调用parse（）五次之后，python进程已经使用了30 MB的内存（使用的HTML文件大约是100 kB），每次调用它都会增加4 MB。有没有办法释放内存或某种解决方法？

更新这种行为让我很头疼。即使BeautifulSoup变量应该被长时间删除，这段代码也会占用大量内存：

from bs4 import BeautifulSoup
import threading, httplib, gc

class pageThread(threading.Thread):
    def run(self):
        con = httplib.HTTPConnection("stackoverflow.com")
        con.request("GET", "/")
        res = con.getresponse()
        if res.status == 200:
            page = BeautifulSoup(res.read(), "lxml")
        con.close()

def load():
    t = list()
    for i in range(5):
        t.append(pageThread())
        t[i].start()
    for thread in t:
        thread.join()

while not raw_input("load? "):
    gc.collect()
    load()

这可能是某种错误吗？

Answer 1

尝试使用Beautiful Soup的decompose功能，当您使用完每个文件时，它会破坏树。

from bs4 import BeautifulSoup

def parse():
    f = open("index.html", "r")
    page = BeautifulSoup(f.read(), "lxml")
    # page extraction goes here
    page.decompose()
    f.close()

while True:
    parse()
    raw_input()

Answer 2

尝试垃圾收集：

from bs4 import BeautifulSoup
import gc

def parse():
    f = open("index.html", "r")
    page = BeautifulSoup(f.read(), "lxml")
    page = None
    gc.collect()
    f.close()

while True:
    parse()
    raw_input()

另见：

Python garbage collection

Answer 3

我知道这是一个旧线程，但在使用beautifulsoup解析页面时还要记住一件事。在导航树时，如果要存储特定值，请确保获取字符串而不是bs4对象。例如，当在循环中使用时，这会导致内存泄漏：

category_name = table_data.find('a').contents[0]

可以通过更改为：

来修复

category_name = str(table_data.find('a').contents[0])

在第一个示例中，类别名称的类型是bs4.element.NavigableString

Answer 4

垃圾收集可能是可行的，但上下文管理器似乎很好地处理它，没有任何额外的内存使用：

from bs4 import BeautifulSoup as soup
def parse():
  with open('testque.xml') as fh:
    page = soup(fh.read())

此外，虽然并非完全必要，但如果您在测试时使用raw_input让它循环，我实际上发现这个习惯用法非常有用：

while not raw_input():
  parse()

每次按下Enter键都会继续循环，但只要输入任何非空字符串，它就会为你停止。

使用BeautifulSoup的Python高内存使用率

4 个答案: