- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我正在用 python 编写一个网络抓取工具,使用 httplib2 和 lxml(是的 - 我知道我可以使用 scrapy。让我们过去吧......)这个抓取工具有大约 15000 个页面可以解析成大约 400,000 个项目。我已经得到了解析项目的代码以立即(几乎)运行,但是从服务器下载页面的部分仍然非常慢。我想通过并发来克服这个问题。但是,我不能依赖每次都需要解析的每个页面。我尝试过使用单个 ThreadPool(如 multiprocessing.pool,但使用线程完成 - 这应该没问题,因为这是一个 I/O 绑定(bind)进程),但我想不出一种优雅(或有效)的方式来获取当最后一个索引项的日期大于我们正在处理的项目时,所有线程都将停止。现在,我正在研究一种使用 ThreadPool 的两个实例的方法 - 一个用于下载每个页面,另一个用于解析页面。一个简化的代码示例是:
#! /usr/bin/env python2
import httplib2
from Queue import PriorityQueue
from multiprocessing.pool import ThreadPool
from lxml.html import fromstring
pages = [x for x in range(1000)]
page_queue = PriorityQueue(1000)
url = "http://www.google.com"
def get_page(page):
#Grabs google.com
h = httplib2.Http(".cache")
resp, content = h.request(url, "GET")
tree = fromstring(str(content), base_url=url)
page_queue.put((page, tree))
print page_queue.qsize()
def parse_page():
page_num, page = page_queue.get()
print "Parsing page #" + str(page_num)
#do more stuff with the page here
page_queue.task_done()
if __name__ == "__main__":
collect_pool = ThreadPool()
collect_pool.map_async(get_page, pages)
collect_pool.close()
parse_pool = ThreadPool()
parse_pool.apply_async(parse_page)
parse_pool.close()
parse_pool.join()
collect_pool.join()
page_queue.join()
然而,运行这段代码并没有达到我的预期——即触发两个线程池:一个填充队列,另一个从队列中拉出进行解析。它开始收集池并运行它,然后开始 parse_pool 并运行它(我假设,我没有让代码运行足够长的时间来到达 parse_pool - 关键是 collect_pool 似乎正在运行).我很确定我搞砸了对 join() 的调用顺序,但我终究无法弄清楚它们应该采用的顺序。我的问题基本上是这样的:我在这里吠叫正确的树吗?如果是这样,我到底做错了什么?如果我不是 - 你的建议是什么
最佳答案
首先,您的设计在高层次上似乎是正确的。 httlib2 模块的同步特性证明了使用线程池收集页面是合理的。 (对于异步库,一个线程就足够了;请注意,即使使用 httplib2 和池,由于 GIL,任何时候也最多有一个收集器线程在运行。)解析池由用 C/C/编写的 lxml 模块证明是合理的C++(并假设 Global Interpreter Lock 在页面解析期间被释放 - 这将在 lxml 文档或代码中检查!)。如果后一种情况不成立,那么拥有专用解析池将不会带来性能提升,因为只有一个线程能够获取 GIL。在这种情况下,最好使用进程池。
我不熟悉 ThreadPool 实现,但我认为它类似于多处理模块中的 Pool 类。在此基础上,问题似乎是您只为 parse_pool 创建了一个工作项,并且在 parse_page 处理第一页之后,它从不尝试从那里出列更多页面。其他工作项也不会提交到该池,因此处理停止,并且在 parse_pool.close() 调用后(空)池的线程终止。
解决办法是消除page_queue。 get_page() 函数应该通过为它收集的每个页面调用 apply_async() 将一个工作项放在 parse_pool 上,而不是将它们送入 page_queue。
主线程应该等到 collect_queue 为空(即返回 collect_pool.join() 调用),然后它应该关闭 parse_pool(因为我们可以确定不会为解析器提交更多工作)。然后它应该通过调用 parse_pool.join() 等待 parse_pool 变空然后退出。
此外,您需要增加 connect_pool 中的线程数,以便并发处理更多的 http 请求。池中线程的默认数量是 CPU 的数量;目前你不能发出超过那么多的请求。您可以试验高达几千或一万的值;观察池的 CPU 消耗;它不应接近 1 个 CPU。
关于Python - 多个同时线程池,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6039150/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!