Question

我最近开始了解网络抓取工具，并构建了一个使用Ruby，Anemone和Mongodb进行存储的示例抓取工具。我正在一个庞大的公共网站上测试爬虫，可能有数十亿个链接。

crawler.rb正在索引正确的信息，但是当我检查活动监视器中的内存使用情况时，它会显示内存不断增长。我只运行了爬虫大约6-7个小时，内存显示为1.38GB的mongod和1.37GB的Ruby进程。它似乎每小时左右增长约100MB。

似乎我可能有内存泄漏？它们是一种更优化的方式，我可以实现相同的爬行而不会使内存升级失控，从而可以运行更长时间吗？

# Sample web_crawler.rb with Anemone, Mongodb and Ruby.

require 'anemone'

# do not store the page's body.
module Anemone
  class Page
    def to_hash
      {'url' => @url.to_s,
       'links' => links.map(&:to_s),
       'code' => @code,
       'visited' => @visited,
       'depth' => @depth,
       'referer' => @referer.to_s,
       'fetched' => @fetched}
    end
    def self.from_hash(hash)
      page = self.new(URI(hash['url']))
      {'@links' => hash['links'].map { |link| URI(link) },
       '@code' => hash['code'].to_i,
       '@visited' => hash['visited'],
       '@depth' => hash['depth'].to_i,
       '@referer' => hash['referer'],
       '@fetched' => hash['fetched']
      }.each do |var, value|
        page.instance_variable_set(var, value)
      end
      page
    end
  end
end


Anemone.crawl("http://www.example.com/", :discard_page_bodies => true, :threads => 1, :obey_robots_txt => true, :user_agent => "Example - Web Crawler", :large_scale_crawl => true) do | anemone |
  anemone.storage = Anemone::Storage.MongoDB

  #only crawl pages that contain /example in url
  anemone.focus_crawl do |page|
    links = page.links.delete_if do |link|
      (link.to_s =~ /example/).nil?
    end
  end

  # only process pages in the /example directory
  anemone.on_pages_like(/example/) do | page |
    regex = /some type of regex/
    example = page.doc.css('#example_div').inner_html.gsub(regex,'') rescue next

    # Save to text file
    if !example.nil? and example != ""
      open('example.txt', 'a') { |f| f.puts "#{example}"}
    end
    page.discard_doc!
  end
end

Answer 1

我也遇到了问题，但我使用redis作为数据存储区。

这是我的抓手：

require "rubygems"

require "anemone"

urls = File.open("urls.csv")
opts = {discard_page_bodies: true, skip_query_strings: true, depth_limit:2000, read_timeout: 10} 

File.open("results.csv", "a") do |result_file|

  while row = urls.gets

    row_ = row.strip.split(',')
    if row_[1].start_with?("http://")
      url = row_[1]
    else
      url = "http://#{row_[1]}"
    end 
    Anemone.crawl(url, options = opts) do |anemone|
      anemone.storage = Anemone::Storage.Redis
      puts "crawling #{url}"    
      anemone.on_every_page do |page| 

        next if page.body == nil 

        if page.body.downcase.include?("sometext")
          puts "found one at #{url}"     
          result_file.puts "#{row_[0]},#{row_[1]}"
          next

        end # end if 

      end # end on_every_page

    end # end crawl

  end # end while

  # we're done
  puts "We're done."

end # end File.open

我将here的补丁应用到海葵宝石中的core.rb文件中：

35       # Prevent page_queue from using excessive RAM. Can indirectly limit ra    te of crawling. You'll additionally want to use discard_page_bodies and/or a     non-memory 'storage' option
36       :max_page_queue_size => 100,

...

（以下曾经是第155行）

157       page_queue = SizedQueue.new(@opts[:max_page_queue_size])

我每小时做一次cron工作：

#!/usr/bin/env python
import redis
r = redis.Redis()
r.flushall()

尝试将redis的内存使用率降低。我现在正在重新开始一次巨大的爬行，所以我们会看到它是怎么回事！

我会用结果报告......

Answer 2

我正在做类似的事情，我想也许你只是在创建大量数据。

你没有保存身体，以便有助于记忆要求。

我能想到的唯一其他改进是使用Redis而不是Mongo，因为我发现它对于Anemone的存储来说更具可扩展性。

检查你在mongo中的数据大小 - 我发现我节省了大量的行。

Ruby，Mongodb，Anemone：可能存在内存泄漏的网络爬虫？

2 个答案: