Question

我遇到以下问题。我想实现一个网络爬虫，到目前为止这有效，但它很慢，我尝试使用多处理来获取URL。不幸的是，我在这个领域并不是很有经验。经过一些阅读后，我觉得最简单的方法是使用map中的multiprocessing.pool方法。

但我经常遇到以下错误：

TypeError: Pickling an AuthenticationString object is disallowed for security reasons

我发现很少有同样错误的案例，遗憾的是他们没有帮助我。

我创建了一个可以重现错误的代码的剥离版本：

import multiprocessing

class TestCrawler:
    def __init__(self):
        self.m = multiprocessing.Manager()
        self.queue = self.m.Queue()
        for i in range(50):
            self.queue.put(str(i))
        self.pool = multiprocessing.Pool(6)



    def mainloop(self):
        self.process_next_url(self.queue)

        while True:
            self.pool.map(self.process_next_url, (self.queue,))                

    def process_next_url(self, queue):
        url = queue.get()
        print(url)


c = TestCrawler()
c.mainloop()

我会非常感谢任何帮助或建议！

Answer 1

问题：但我经常收到以下错误：

你得到的错误是误导，原因是

self.queue = self.m.Queue()

将Queue实例移到class TestCrawler之外这导致另一个错误：

NotImplementedError：池对象不能在进程之间传递或被pickle

原因是：

self.pool = multiprocessing.Pool(6)

两个错误都表示pickle无法找到class Members。

注意：无尽的循环！
  您的以下while循环将导致无尽循环！   这将超载您的系统！
  此外，pool.map(...仅使用一个任务启动一个 Process！
    while True:
        self.pool.map(self.process_next_url, (self.queue,)) 

我建议阅读The Examples that demonstrates the use of a pool

更改为以下内容：

class TestCrawler:
    def __init__(self, tasks):
        # Assign the Global task to class member
        self.queue = tasks
        for i in range(50):
            self.queue.put(str(i))

    def mainloop(self):
        # Instantiate the pool local
        pool = mp.Pool(6)
        for n in range(50):
            # .map requires a Parameter pass None
            pool.map(self.process_next_url, (None,))

    # None is passed
    def process_next_url(self, dummy):
        url = self.queue.get()
        print(url)

if __name__ == "__main__":
  # Create the Queue as Global
  tasks = mp.Manager().Queue()
  # Pass the Queue to your class TestCrawler
  c = TestCrawler(tasks)
  c.mainloop()

此示例启动5个进程，每个进程处理10个任务（网址）：

class TestCrawler2:
    def __init__(self, tasks):
        self.tasks = tasks

    def start(self):
        pool = mp.Pool(5)
        pool.map(self.process_url, self.tasks)

    def process_url(self, url):
        print('self.process_url({})'.format(url))

if __name__ == "__main__":
    tasks = ['url{}'.format(n) for n in range(50)]
    TestCrawler2(tasks).start()

使用Python测试：3.4.2

Python多处理 - TypeError：出于安全原因，不允许选择AuthenticationString对象

1 个答案: