Python线程内部缓冲区内存不足错误

Question

我制作了一个简单的网络爬虫程序，使用urllib和beautifulsoup从网页上的表中提取数据。为了加快数据拉取速度，我尝试使用线程，但出现以下错误： “内部缓冲区错误：内存分配失败：缓冲区增长” 此消息出现多次，然后声明： “内存不足”

谢谢你的帮助。在

from bs4 import BeautifulSoup
from datetime import datetime
import urllib2
import re
from threading import Thread

stockData = []

#Access the list of stocks to search for data
symbolfile = open("stocks.txt")
symbolslist = symbolfile.read()
newsymbolslist = symbolslist.split("\n")

#text file stock data is stored in
myfile = open("webcrawldata.txt","a")

#initializing data for extraction of web data
lineOfData = ""
i=0

def th(ur):
    stockData = []
    lineOfData = ""
    dataline = ""
    stats = ""
    page = ""
    soup = ""
    i=0
    #creates a timestamp for when program was won
    timestamp = datetime.now()
    #Get Data ONLINE
    #bloomberg stock quotes
    url= "http://www.bloomberg.com/quote/" + ur + ":US"
    page = urllib2.urlopen(url)
    soup = BeautifulSoup(page.read())
    #Extract key stats table only
    stats = soup.find("table", {"class": "key_stat_data" })
    #iteration for <tr>
    j = 0
    try:
        for row in stats.findAll('tr'):
            stockData.append(row.find('td'))
            j += 1
        except AttributeError:
            print "Table handling error in HTML"
    k=0
    for cell in stockData:
        #clean up text
        dataline = stockData[k]
        lineOfData = lineOfData + " " + str(dataline)
        k += 1
    g = str(timestamp) + " " + str(ur)+ ' ' + str(lineOfData) + ' ' +  ("\n\n\n")    
    myfile.write(g)
    print (ur + "\n")
    del stockData[:]
    lineOfData = ""
    dataline = ""
    stats = None
    page = None
    soup = None
    i += 1

threadlist = []

for u in newsymbolslist:
    t = Thread(target = th, args = (u,))
    t.start()
    threadlist.append(t)

for b in threadlist:
    b.join()enter code here

Answer 1

您启动的每个线程都有一个线程堆栈大小，即8KB Linux系统中的默认值（请参见ulimit -s），因此线程所需的内存总量将超过20 GB。在

您可以使用一个线程池，例如10个线程；当一个 它已经完成了它的工作，它还有另一个任务要做。在

但是：一般来说，运行比CPU核心更多的线程是无稽之谈。所以我的 建议停止使用线程。您可以使用gevent这样的库来 在不使用操作系统级线程的情况下执行完全相同的操作。在

gevent的好处是猴子修补：你可以分辨出gevent 为了改变Python标准库的行为，这将使 透明地进入“greenlet”对象（参见gevent文档 更多细节）。gevent提出的并发类型是 特别适合于密集的I/O。在

在代码中，只需在开头添加以下内容：

from gevent import monkey; monkey.patch_all()

上不能同时打开超过1024个文件描述符 默认情况下是Linux系统（请参见ulimit -n），因此您必须增加 如果您希望同时打开2700个文件描述符，则可以使用此限制。在

Answer 2

不要重新发明轮子并使用^{} web-scraping framework：

Scrapy is an application framework for crawling web sites and extracting structured data which can be used for a wide range of useful applications, like data mining, information processing or historical archival.

想想看-可伸缩性/并行化/性能问题已经为您解决了-您真的想继续深入到python中的Thread的奇妙世界，让您的代码变得可疑，达到CPU和内存限制，处理冲突，并最终使您的代码无法调试和维护吗-而不是专注于提取和收集数据？而且，即使使用gevent，我也怀疑您的最终代码是否会比基于Scrapy实现的代码更简单易读。为什么不使用这个已经被大量用户测试和使用的工具，它被证明是在web抓取python世界中创建的最好的工具呢？在

下面是一个工作的蜘蛛，它以类似的方式抓取引号：

from scrapy.spider import Spider
from scrapy.item import Item, Field
from scrapy.http import Request


class BloombergItem(Item):
    ur = Field()
    parameter = Field()
    value = Field()


class BloombergSpider(Spider):
    name = 'bloomberg'
    allowed_domains = ['www.bloomberg.com']

    def start_requests(self):
        with open("stocks.txt") as f:
            for ur in f:
                yield Request("http://www.bloomberg.com/quote/%s:US" % ur)

    def parse(self, response):
        for parameter in response.css('table.key_stat_data tr'):
            item = BloombergItem()
            item['ur'] = response.xpath('//title/text()').extract()[0].split(':')[0]
            item['parameter'] = parameter.xpath('th/text()').extract()[0]
            item['value'] = parameter.xpath('td/text()').extract()[0]
            yield item

如果stocks.txt的内容是：

^{pr2}$

spider将输出（例如，如果选择以JSON格式输出）：

[
  {
    "parameter": "Current P/E Ratio (ttm)",
    "value": "16.6091",
    "ur": "AAPL"
  },
  {
    "parameter": "Estimated P/E(09/2015)",
    "value": "13.6668",
    "ur": "AAPL"
  },
  {
    "parameter": "Relative P/E vs.",
    "value": "0.9439",
    "ur": "AAPL"
  },
  ...
]

一个很好的地方开始与瘙痒是Scrapy Tutorial。在