我使用urllib和beautifulsoup制作了一个简单的网页抓取工具,从网页上的表格中提取数据。为了加快数据拉取,我尝试使用线程,但是我收到以下错误: “内部缓冲区错误:内存分配失败:增长缓冲区” 此消息出现了很多次,然后说明: “记忆力不足”
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
答案 0 :(得分: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
),因此线程所需的内存总量将超过20千兆字节。
您可以使用一个线程池,例如10个线程;什么时候 已经完成了它的工作,它还有另一个任务要做。
但是:一般来说,运行比CPU内核更多的线程是无稽之谈。所以我的 建议是停止使用线程。您可以使用gevent之类的库 在不使用OS级线程的情况下完成同样的事情。
关于gevent的好处是猴子修补:你可以告诉gevent 要改变Python标准库的行为,这将改变你的行为 透明地线程化为“greenlet”对象(请参阅gevent文档 更多细节)。 gevent提出的并发性是 特别适用于您正在进行的密集I / O.
在您的代码中,只需在开头添加以下内容:
from gevent import monkey; monkey.patch_all()
在a上同时打开的文件描述符不能超过1024个
默认情况下Linux系统(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,则可以使用此限制。
答案 1 :(得分:0)
不要重新发明轮子并使用Scrapy
web-scraping framework:
Scrapy是一个用于抓取网站的应用程序框架 提取可用于各种各样的结构化数据 有用的应用程序,如数据挖掘,信息处理或 历史档案。
考虑一下 - 可扩展性/并行化/性能问题为您解决 - 您是否真的希望继续潜入python中Thread
的精彩世界,让您的代码闻起来怀疑地,达到了CPU和内存限制,处理冲突,最终使代码无法调试和维护 - 而不是专注于提取和收集数据?而且,即使使用gevent
,我怀疑您的最终代码在任何方面都会更加简单和可读,就像您基于Scrapy实现的那样。为什么不使用经过大量用户测试和使用的工具,这些用户被证明是在网络搜索python世界中创建的最佳工具?
这是一个工作蜘蛛,它以类似的方式擦除引号:
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
蜘蛛会输出(例如,如果您选择以JSON格式输出):
[
{
"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的好地方是Scrapy Tutorial。