Python Selenium 多处理

Question

我用 python 结合 selenium 编写了一个脚本，从其着陆页抓取不同帖子的链接，最后通过跟踪指向其内页的 url 获取每个帖子的标题。虽然我这里解析的内容是静态的，但是我用selenium看看它在multiprocessing中是如何工作的。

但是，我的意图是使用多处理进行抓取。到目前为止，我知道 selenium 不支持多处理，但看来我错了。

我的问题:当使用多处理运行时，如何使用 selenium 减少执行时间？

这是我的尝试(这是一个有效的尝试):

import requests
from urllib.parse import urljoin
from multiprocessing.pool import ThreadPool
from bs4 import BeautifulSoup
from selenium import webdriver

def get_links(link):
  res = requests.get(link)
  soup = BeautifulSoup(res.text,"lxml")
  titles = [urljoin(url,items.get("href")) for items in soup.select(".summary .question-hyperlink")]
  return titles

def get_title(url):
  chromeOptions = webdriver.ChromeOptions()
  chromeOptions.add_argument("--headless")
  driver = webdriver.Chrome(chrome_options=chromeOptions)
  driver.get(url)
  sauce = BeautifulSoup(driver.page_source,"lxml")
  item = sauce.select_one("h1 a").text
  print(item)

if __name__ == '__main__':
  url = "https://stackoverflow.com/questions/tagged/web-scraping"
  ThreadPool(5).map(get_title,get_links(url))

Answer 1

how can I reduce the execution time using selenium when it is made to run using multiprocessing

您的解决方案中有很多时间花在为每个 URL 启动网络驱动程序上。您可以通过每个线程仅启动一次驱动程序来减少此时间:

(... skipped for brevity ...)

threadLocal = threading.local()

def get_driver():
  driver = getattr(threadLocal, 'driver', None)
  if driver is None:
    chromeOptions = webdriver.ChromeOptions()
    chromeOptions.add_argument("--headless")
    driver = webdriver.Chrome(chrome_options=chromeOptions)
    setattr(threadLocal, 'driver', driver)
  return driver


def get_title(url):
  driver = get_driver()
  driver.get(url)
  (...)

(...)

在我的系统上，这将时间从 1 分钟 7 秒减少到仅 24.895 秒，提高了约 35%。要测试自己，请下载 full script .

注意:ThreadPool使用线程，受Python GIL约束。如果大部分任务受 I/O 限制，那也没关系。根据您对抓取结果进行的后处理，您可能希望改用 multiprocessing.Pool。这将启动并行进程，这些进程作为一个组不受 GIL 的约束。其余代码保持不变。