我制作了一个简单的网络爬虫,使用 urllib 和 beautifulsoup 从网页上的表格中提取数据。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:增加缓冲区” 此消息出现了很多次,然后指出: “内存不足”
感谢您的帮助。
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
最佳答案
您启动的每个线程都有一个线程堆栈大小,即 8 kb by
默认在 Linux 系统中(参见 ulimit -s
),因此您的线程所需的内存总数将超过 20 GB。
您可以使用线程池,例如 10 个线程;当一个 完成了它的工作,它有另一项任务要做。
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 建议是停止使用线程。您可以使用像 gevent 这样的库到 在不使用操作系统级线程的情况下做完全相同的事情。
gevent 的好处是猴子修补:你可以告诉 gevent 改变 Python 标准库的行为,这将改变你的 线程透明地进入“greenlet”对象(参见 gevent 文档 更多细节)。 gevent提出的并发类型是 特别适合您正在执行的密集型 I/O。
在您的代码中,只需在开头添加以下内容:
from gevent import monkey; monkey.patch_all()
您不能同时打开超过 1024 个文件描述符
Linux 系统默认(参见 ulimit -n
)所以你必须增加
如果您希望同时打开 2700 个文件描述符,则此限制。
关于Python线程 - 内部缓冲区错误 - 内存不足,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27984317/