BeautifulSoup 的 Python 高内存使用率

Question

我试图在 python 2.7.3 中使用 BeautifulSoup4 处理几个网页，但每次解析后内存使用量都会上升。

此简化代码产生相同的行为:

from bs4 import BeautifulSoup

def parse():
    f = open("index.html", "r")
    page = BeautifulSoup(f.read(), "lxml")
    f.close()

while True:
    parse()
    raw_input()

在调用 parse() 五次后，python 进程已经使用了 30 MB 的内存(使用的 HTML 文件大约 100 kB)并且每次调用都会增加 4 MB。有没有办法释放该内存或某种解决方法？

更新:这种行为让我很头疼。即使 BeautifulSoup 变量应该被长期删除，这段代码也很容易占用大量内存:

from bs4 import BeautifulSoup
import threading, httplib, gc

class pageThread(threading.Thread):
    def run(self):
        con = httplib.HTTPConnection("stackoverflow.com")
        con.request("GET", "/")
        res = con.getresponse()
        if res.status == 200:
            page = BeautifulSoup(res.read(), "lxml")
        con.close()

def load():
    t = list()
    for i in range(5):
        t.append(pageThread())
        t[i].start()
    for thread in t:
        thread.join()

while not raw_input("load? "):
    gc.collect()
    load()

这可能是某种错误吗？

Answer 1

试试美汤的decompose当您处理完每个文件时，会破坏树的功能。

from bs4 import BeautifulSoup

def parse():
    f = open("index.html", "r")
    page = BeautifulSoup(f.read(), "lxml")
    # page extraction goes here
    page.decompose()
    f.close()

while True:
    parse()
    raw_input()