Question

背景-TLDR：我的项目中发生内存泄漏

花了几天时间仔细查看内存泄漏文档，但找不到问题。我正在开发一个中等大小的scrapy项目，每天大约有4万个请求。

我正在使用scrapinghub的预定运行来托管它。

在scrapinghub上，每月为$ 9，您将获得1个具有1GB RAM的VM来运行搜寻器。

我已经在本地开发了一个搜寻器，并上传到scrapinghub，唯一的问题是，在运行结束时，我已经超出了内存。

本地化设置CONCURRENT_REQUESTS=16可以很好地工作，但会导致在scrapinghub上的内存超出50％。设置CONCURRENT_REQUESTS=4时，内存超出了95％，因此减少到2应该可以解决问题，但是我的搜寻器变得太慢了。

另一种解决方案是为2个VM付费，以增加RAM，但是我感觉我设置搜寻器的方式会导致内存泄漏。

在此示例中，该项目将抓取在线零售商。在本地运行时，我的memusage/max和CONCURRENT_REQUESTS=16是2.7gb。

我现在将遍历我的爬网结构

获取要抓取的页面总数
使用www.example.com/page={page_num}
在每个页面上，收集有关48种产品的信息
对于每种产品，请转到其页面并获取一些信息
使用该信息，针对每种产品直接调用API
使用项目管道保存这些内容（我在本地写入csv，但不在scrapinghub上保存）

管道

    class Pipeline(object):
        def process_item(self, item, spider):
            item['stock_jsons'] = json.loads(item['stock_jsons'])['subProducts']
            return item

项目

    class mainItem(scrapy.Item):
        date = scrapy.Field()
        url = scrapy.Field()
        active_col_num = scrapy.Field()
        all_col_nums = scrapy.Field()
        old_price = scrapy.Field()
        current_price = scrapy.Field()
        image_urls_full = scrapy.Field()
        stock_jsons = scrapy.Field()
    
    class URLItem(scrapy.Item):
        urls = scrapy.Field()

主蜘蛛

    class ProductSpider(scrapy.Spider):
        name = 'product'
        def __init__(self, **kwargs):
            page = requests.get('www.example.com', headers=headers)
            self.num_pages = # gets the number of pages to search
    
        def start_requests(self):
            for page in tqdm(range(1, self.num_pages+1)):
                url = 'www.example.com/page={page}'
                yield scrapy.Request(url = url, headers=headers, callback = self.prod_url)

        def prod_url(self, response):
            urls_item = URLItem()
            extracted_urls = response.xpath(####).extract() # Gets URLs to follow
            urls_item['urls'] = [# Get a list of urls]
            for url in urls_item['urls']:
                    yield scrapy.Request(url = url, headers=headers, callback = self.parse)

        def parse(self, response) # Parse the main product page
            item = mainItem()
            item['date'] = DATETIME_VAR
            item['url'] = response.url
            item['active_col_num'] = XXX
            item['all_col_nums'] = XXX
            item['old_price'] = XXX
            item['current_price'] = XXX
            item['image_urls_full'] = XXX

            try:
                new_url = 'www.exampleAPI.com/' + item['active_col_num']
            except TypeError:
                new_url = 'www.exampleAPI.com/{dummy_number}'
        
            yield scrapy.Request(new_url, callback=self.parse_attr, meta={'item': item})


        def parse_attr(self, response):
        ## This calls an API Step 5
            item = response.meta['item']
            item['stock_jsons'] = response.text
            yield item

到目前为止我尝试过什么？

psutils，没有太大帮助。
trackref.print_live_refs()最后返回以下内容：

HtmlResponse                       31   oldest: 3s ago
mainItem                            18   oldest: 5s ago
ProductSpider                       1   oldest: 3321s ago
Request                            43   oldest: 105s ago
Selector                           16   oldest: 3s ago

随时间推移打印前10个全局变量
随着时间的推移打印排名前10位的商品类型

问题

如何找到内存泄漏？
有人可以看到我在哪里泄漏内存吗？
我的拼凑结构是否存在基本问题？

请让我知道是否需要更多信息

请求的其他信息

请注意，以下输出来自我的本地计算机，那里有足够的RAM，因此要抓取的网站成为瓶颈。使用scrapinghub时，由于1GB的限制，可疑的内存泄漏成为问题。

请让我知道是否需要scrapinghub的输出，我想它应该是相同的，但是出于完成原因，消息超出了内存。

1。从头开始记录行（从INFO：Scrapy xxx开始到Spider打开）。

2020-09-17 11:54:11 [scrapy.utils.log] INFO: Scrapy 2.3.0 started (bot: PLT)
2020-09-17 11:54:11 [scrapy.utils.log] INFO: Versions: lxml 4.5.2.0, libxml2 2.9.10, cssselect 1.1.0, parsel 1.6.0, w3lib 1.22.0, Twisted 20.3.0, Python 3.7.4 (v3.7.4:e09359112e, Jul  8 2019, 14:54:52) - [Clang 6.0 (clang-600.0.57)], pyOpenSSL 19.1.0 (OpenSSL 1.1.1g  21 Apr 2020), cryptography 3.1, Platform Darwin-18.7.0-x86_64-i386-64bit
2020-09-17 11:54:11 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'PLT',
 'CONCURRENT_REQUESTS': 14,
 'CONCURRENT_REQUESTS_PER_DOMAIN': 14,
 'DOWNLOAD_DELAY': 0.05,
 'LOG_LEVEL': 'INFO',
 'NEWSPIDER_MODULE': 'PLT.spiders',
 'SPIDER_MODULES': ['PLT.spiders']}
2020-09-17 11:54:11 [scrapy.extensions.telnet] INFO: Telnet Password: # blocked
2020-09-17 11:54:11 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.memusage.MemoryUsage',
 'scrapy.extensions.logstats.LogStats']
2020-09-17 11:54:12 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2020-09-17 11:54:12 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
=======
17_Sep_2020_11_54_12
=======
2020-09-17 11:54:12 [scrapy.middleware] INFO: Enabled item pipelines:
['PLT.pipelines.PltPipeline']
2020-09-17 11:54:12 [scrapy.core.engine] INFO: Spider opened

2。结束日志行（INFO：将Scrapy统计信息转储为结束）。

2020-09-17 11:16:43 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/request_bytes': 15842233,
 'downloader/request_count': 42031,
 'downloader/request_method_count/GET': 42031,
 'downloader/response_bytes': 1108804016,
 'downloader/response_count': 42031,
 'downloader/response_status_count/200': 41999,
 'downloader/response_status_count/403': 9,
 'downloader/response_status_count/404': 1,
 'downloader/response_status_count/504': 22,
 'dupefilter/filtered': 110,
 'elapsed_time_seconds': 3325.171148,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2020, 9, 17, 10, 16, 43, 258108),
 'httperror/response_ignored_count': 10,
 'httperror/response_ignored_status_count/403': 9,
 'httperror/response_ignored_status_count/404': 1,
 'item_scraped_count': 20769,
 'log_count/INFO': 75,
 'memusage/max': 2707484672,
 'memusage/startup': 100196352,
 'request_depth_max': 2,
 'response_received_count': 42009,
 'retry/count': 22,
 'retry/reason_count/504 Gateway Time-out': 22,
 'scheduler/dequeued': 42031,
 'scheduler/dequeued/memory': 42031,
 'scheduler/enqueued': 42031,
 'scheduler/enqueued/memory': 42031,
 'start_time': datetime.datetime(2020, 9, 17, 9, 21, 18, 86960)}
2020-09-17 11:16:43 [scrapy.core.engine] INFO: Spider closed (finished)

self.num_pages变量使用什么值？

我要抓取的网站大约有2万种产品，每页显示48个。因此，它转到该站点，请参阅20103产品，然后除以48（然后是math.ceil）以获取页数。

在更新中间件之后添加来自抓取中心的输出

downloader/request_bytes    2945159
downloader/request_count    16518
downloader/request_method_count/GET 16518
downloader/response_bytes   3366280619
downloader/response_count   16516
downloader/response_status_count/200    16513
downloader/response_status_count/404    3
dupefilter/filtered 7
elapsed_time_seconds    4805.867308
finish_reason   memusage_exceeded
finish_time 1600567332341
httperror/response_ignored_count    3
httperror/response_ignored_status_count/404 3
item_scraped_count  8156
log_count/ERROR 1
log_count/INFO  94
memusage/limit_reached  1
memusage/max    1074937856
memusage/startup    109555712
request_depth_max   2
response_received_count 16516
retry/count 2
retry/reason_count/504 Gateway Time-out 2
scheduler/dequeued  16518
scheduler/dequeued/disk 16518
scheduler/enqueued  17280
scheduler/enqueued/disk 17280
start_time  1600562526474

Answer 1

1.Scheruler队列/活动请求
与self.numpages = 418。

此代码行将创建418个请求对象（包括-要求OS委派内存以保存418个对象）并将它们放入调度程序队列中：

for page in tqdm(range(1, self.num_pages+1)):
                url = 'www.example.com/page={page}'
                yield scrapy.Request(url = url, headers=headers, callback = self.prod_url)

每个“页面”请求都会生成48个新请求。
每个“产品页面”请求均生成1个“ api_call”请求
每个“ api_call”请求均返回项目对象。
由于所有请求都具有相同的优先级-在最坏的情况下，应用程序将需要内存一次将大约20000个请求/响应对象保存在RAM中。

为了排除这种情况，可以将priority参数添加到scrapy.Request中。可能您需要将Spider配置更改为以下内容：

    def start_requests(self):
        yield scrapy.Request(url = 'www.example.com/page=1', headers=headers, callback = self.prod_url)

    def prod_url(self, response):
        #get number of page
        next_page_number = int(response.url.split("/page=")[-1] + 1
        #...
        for url in urls_item['urls']:
                yield scrapy.Request(url = url, headers=headers, callback = self.parse, priority = 1)

        if next_page_number < self.num_pages:
            yield scrapy.Request(url = f"www.example.com/page={str(next_page_number)}"

    def parse(self, response) # Parse the main product page
        #....
        try:
            new_url = 'www.exampleAPI.com/' + item['active_col_num']
        except TypeError:
            new_url = 'www.exampleAPI.com/{dummy_number}'
    
        yield scrapy.Request(new_url, callback=self.parse_attr, meta={'item': item}, priority = 2)

使用这种蜘蛛配置-蜘蛛仅在完成处理前一页的产品时才处理下一页的产品页面，并且您的应用程序将不会收到漫长的请求/响应队列。

2.Http压缩

许多网站都压缩html代码以减少流量负载。
例如，亚马逊网站使用gzip压缩其产品页面。
亚马逊产品页面的压缩html的平均大小〜250Kb
未压缩的html大小可能超过〜1.5Mb。

如果您的网站使用的压缩和未压缩html的响应大小类似于亚马逊产品页面的大小，则应用将需要花费大量内存来容纳压缩和未压缩的响应主体。填充DownloaderStats stats参数的downloader/response_bytes中间件不会计算未压缩响应的大小，因为它是process_response中间件的process_response方法之前调用的HttpCompressionMiddleware方法。

要对其进行检查，您需要通过将其添加到设置来更改Downloader stats中间件的优先级：

DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.stats.DownloaderStats':50
}

在这种情况下： downloader/request_bytes stats参数-将减少，因为它不会计算中间件填充的某些标头的大小。
downloader/response_bytes stats参数-如果网站使用压缩，则将大大增加。

严重的隐藏内存泄漏

1 个答案: