Question

为了抓取一个URL池，我用parall处理selenium。在这方面，我面临两个挑战：

挑战1是加快这个过程。目前，我的代码打开并关闭每个URL的驱动程序实例（理想情况下，每个进程都有一个）
挑战2是摆脱CPU密集型while循环，我认为我需要continue空结果（我知道这很可能是错误的）

伪代码：

URL_list = [URL1, URL2, URL3, ..., URL100000]                 # List of URLs to be scraped

def scrape(URL):
  while True:                                                 # Loop needed to use continue
          try:                                                # Try scraping
             driver = webdriver.Firefox(executable_path=path) # Set up driver
             website = driver.get(URL)                        # Get URL
             results = do_something(website)                  # Get results from URL content                                                
             driver.close()                                   # Close worker
             if len(results) == 0:                            # If do_something() failed:                                                                  
                continue                                      # THEN Worker to skip URL                          
             else:                                            # If do_something() worked:
                safe_results("results.csv")                   # THEN Save results               
                break                                         # Go to next worker/URL
          except Exception as e:                              # If something weird happens:  
                save_exception(URL, e)                        # THEN Save error message
                break                                         # Go to next worker/URL

Parallel(n_jobs = 40)(delayed(scrape)(URL) for URL in URL_list))) # Run in 40 processes

我的理解是，为了在迭代中重用驱动程序实例，# Set up driver - 行需要放在scrape(URL)之外。但是，scrape(URL)以外的所有内容都无法找到joblib的Parallel(n_jobs = 40)。这意味着您在使用joblib进行抓取时无法重用驱动程序实例，这是不可能的。

Q1：如何在上面的示例中并行处理期间重用驱动程序实例？

Q2：如何在保持上述示例功能的同时摆脱while循环？

注意：在firefox_profile中禁用了Flash和图片加载（代码未显示）

Answer 1

1）您应该首先创建一堆驱动程序：每个进程一个。并将一个实例传递给工人。我不知道如何将驱动程序传递给Prallel对象，但您可以使用threading.current_thread().name键来识别驱动程序。为此，请使用backend="threading"。所以现在每个线程都有自己的驱动程序。

2）你根本不需要循环。并行对象本身就是你的所有网址（我希望我真的想要你使用循环的意图）

import threading
from joblib import Parallel, delayed
from selenium import webdriver

def scrape(URL):
    try:
        driver = drivers[threading.current_thread().name]
    except KeyError:
        drivers[threading.current_thread().name] = webdriver.Firefox()
        driver = drivers[threading.current_thread().name]
    driver.get(URL)
    results = do_something(driver)
    if results:
        safe_results("results.csv")

drivers = {}
Parallel(n_jobs=-1, backend="threading")(delayed(scrape)(URL) for URL in URL_list)
for driver in drivers.values():
    driver.quit()

但我并不认为你使用n_job比获得CPU更有利。所以n_jobs=-1是最好的（当然我可能错了，试试吧）。

如何在并行处理期间重用selenium驱动程序实例？

1 个答案: