Question

当我同时运行我的程序（网络爬虫）时，它通过我的系统需要不同数量的内存或内存，我还测试了其他网络爬虫，我的网络爬虫是ram的两倍，所以我的问题是 如何在python中手动管理内存或ram，（如果可能的话）？

这是我的代码： -

from bs4 import BeautifulSoup
import requests
import MySQLdb as sql
import time
import warnings

print("starting")

warnings.filterwarnings('ignore')

db = sql.connect("localhost", "root", "arpit", "website")
cursor = db.cursor()
db.autocommit(True)

print("connected to database")

url = "http://www.example.com"
extension = ".com"
print("scrapping url -",url)

r = requests.head(url)
cursor.execute("insert ignore into urls(urls,status,status_code)     
values(%s,'pending',%s)", [url, r.status_code])

cursor.execute("select status from urls where status ='pending' limit 1")
result = str(cursor.fetchone())

while (result != "None"):

cursor.execute("select urls from urls where status ='pending' limit 1")
result = str(cursor.fetchone())

s_url = result[2:-3]

cursor.execute("update urls set status = 'done' where urls= %s ", [s_url])

if "https" in url:
    url1 = url[12:]
else:
    url1 = url[11:]
zone = 0
while True:

    try:
        r = requests.get(s_url,timeout=60)
        break

    except:
        if s_url == "":

            print("done")
            break
        elif zone >= 4:
            print("this url is not valid -",s_url)
            break
        else:
            print("Oops!  may be connection was refused.  Try again...",s_url)
            time.sleep(0.2)
            zone = zone + 1

soup = BeautifulSoup(r.content.lower(), 'lxml')

links = soup.find_all("a")

for x in links:
    a = x.get('href')
    if a is not None and a != "":

        if a != "" and a.find("\n") != -1:
            a = a[0:a.find("\n")]

        if a != "" and a[-1] == "/":
            a = a[0:-1]

        if a != "":
            common_extension = [',',' ',"#",'"','.mp3',"jpg",'.wav','.wma','.7z','.deb','.pkg','.rar','.rpm','.tar','.zip','.bin','.dmg','.iso','.toast','.vcd','.csv','.dat','.log','.mdb','.sav','.sql','.apk','.bat','.exe','.jar','.py','.wsf','.fon','.ttf','.bmp','.gif','.ico','.jpeg','.png','.part','.ppt','.pptx','.class','.cpp','.java','.swift','.ods','.xlr','.xls','.xlsx','.bak','.cab','.cfg','.cpl','.dll','.dmp','.icns','.ini','.lnk','.msi','.sys','.tmp','.3g2','.3gp','.avi','.flv','.h264','.m4v','.mkv','.mov','.mp4','.mpg','.vob','.wmv','.doc','.pdf','.txt']
            for ext in common_extension:
                if ext in a:
                    a = ""
                    break

        if a != "":
            if a[0:5] == '/http':
                a = a[1:]
            if a[0:6] == '//http':
                a = a[2:]

            if a[0:len(url1) + 12] == "https://www." + url1:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [a, r.status_code])
            elif a[0:len(url1) + 11] == "http://www." + url1:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [a, r.status_code])
            elif a[0:len(url1) + 8] == "https://" + url1:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [url + (a[(a.find(extension + "/")) + 4:]), r.status_code])
            elif a[0:len(url1) + 7] == "http://" + url1:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [url + (a[(a.find(extension + "/")) + 4:]), r.status_code])
            elif a[0:2] == "//" and a[0:3] != "///" and "." not in a and "http" not in a and "www." not in a:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [url + a[1:], r.status_code])
            elif a[0:1] == "/" and a[0:2] != "//" and "." not in a and "http" not in a and "www." not in a:
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [url + a[0:], r.status_code])
            elif 'http' not in a and 'www.' not in a and "." not in a and a[0] != "/":
                cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                               [url + '/' + a, r.status_code])

cursor.execute("alter table urls drop id")
cursor.execute("alter table urls add id int primary key not null  
auto_increment first")
print("new id is created")

Answer 1

您的代码内存效率非常低，因为您正在进行很多切片 - 并且因为字符串是不可变的，所以每个切片都会分配一个新对象。

例如：

if a[0:5] == '/http'
   a = a[1:]

分配一个新字符串，将a从0复制到5，将其与'/http'进行比较，并将其丢弃;此外，如果它测试相等，它会分配一个新字符串，从a复制1到它上面，并抛出a。如果a很长，或者如果这种情况发生很多，这可能会成为一个很大的问题。

查看memoryviews - 这是一种在不复制字符串的情况下对字符串进行切片（嗯，bytes）的方法。

您可以通过许多其他方式优化代码：

不要为每个链接重新定义common_extension，而是在循环之前定义一次。
使用a[0:5] == '/http'。

a.startswith('/http')

使用像url1这样的正则表达式而不是前4 re.match('https?://(www\.)?' + re.escape(url1), a)次比较。

如果您正在这样做，而不是为每个链接连接'https?://(www\.)?'和re.escape(url1)，请在循环之前执行一次，甚至re.compile那里的正则表达式

Answer 2

除了创建和删除对象之外，您无法分配和/或释放内存块，因此无法直接在Python中管理内存>。你可以做的是使用工具来了解代码的哪些部分使用了多少内存。有关详细信息，请参阅，例如https://www.pluralsight.com/blog/tutorials/how-to-profile-memory-usage-in-python

在python中，限制内存使用的方法显然不是创建大型对象列表或其他数据结构。使用回调，产量和/或其他编码实践来限制结构在内存中花费的时间。

另外我建议您将代码提交给代码审查SE，我认为他们也可以提供帮助。

Answer 3

简短的回答是，您无法手动管理内存。但是，您的问题应该是，我如何减少 Python使用的内存量？

首先，要知道程序分配的内存量与使用的内存量之间存在差异。

其次，避免分配你不需要的记忆。每个切片操作都会创建一个新的str对象。相反，请使用startswith方法：

if not a:
    if a.startswith('/http'):
        a = a[1:]
    if a.startswith('//http'):
        a = a[2:]

    if a[.startswith("https://www." + url1):
        cursor.execute("insert ignore into urls(urls,status,status_code) values(%s,'pending',%s)",
                       [a, r.status_code])

等

如何在python中手动管理内存？

3 个答案: