Python 3.4中的Selenium Multiprocessing幫助

Question

我非常想使用Selenium來獲取網站上特定搜索的結果數。 基本上，我想使過程運行得更快。 我有通過迭代搜索詞然后由報紙迭代並將收集的數據輸出為CSV的代碼。 目前，這可以在3年內生成3個搜索字詞x 3個報紙，每個CSV文件能在10分鍾內為我提供9個CSV文件。

我想使用多重處理來同時或至少更快地運行每個搜索和報紙組合。 我嘗試在此處遵循其他示例，但是未能成功實現它們。 下面是我到目前為止的代碼：

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
import os
import pandas as pd
from multiprocessing import Pool

def websitesearch(search):
    try:
        start = list_of_inputs[0]
        end = list_of_inputs[1]
        newsabbv=list_of_inputs[2]
        directory=list_of_inputs[3]
        os.chdir(directory)

        if search == broad:
            specification = "broad"
            relPapers = newsabbv

        elif search == narrow:
            specification = "narrow"
            relPapers = newsabbv

        elif search == general:
            specification = "allarticles"
            relPapers = newsabbv

        else:
            for newspapers in relPapers:

               ...rest of code here that gets the data and puts it in a list named all_Data...

                browser.close()
                df = pd.DataFrame(all_Data)
                df.to_csv(filename, index=False)          

    except:
        print('error with item')



if __name__ == '__main__':
 ...Initializing values and things like that go here. This helps with the setup for search...

    #These are things that go into the function        
    start = ["January",2015]
    end = ["August",2017]
    directory = "STUFF GOES HERE"
    newsabbv = all_news_abbv
    search_list = [narrow, broad, general]

    list_of_inputs = [start,end,newsabbv,directory]    

    pool = Pool(processes=4)
    for search in search_list:
        pool.map(websitesearch, search_list)
        print(list_of_inputs)        

如果我在main（）函數中添加了一條print語句，它將進行打印，但實際上並沒有發生任何事情。 我將不勝感激。 我遺漏了獲取值的代碼，並將其放入列表中，因為它令人費解，但我知道它可以工作。

在此先感謝您提供的所有幫助！ 讓我知道我是否可以提供更多信息。

以撒

編輯：我已經在線尋求更多幫助，意識到我誤解了使用pool.map（fn，list）將列表映射到函數的目的。 我已經更新了代碼，以反映當前仍然無法使用的方法。 我還將初始化值移到了main函數中。

Answer 1

我不認為這可以按照您的方式進行多處理。 因為那里仍然有硒引起的隊列處理（不是隊列模塊）。

原因是...硒只能處理一個窗口，不能同時處理多個窗口或選項卡瀏覽器（window_handle功能的限制）。 這意味着....您的多進程僅處理內存中發送到硒或被硒抓取的數據進程。 通過嘗試在一個腳本文件中處理硒的爬網，將使硒成為瓶頸工藝的源頭。

實現真正的多進程的最佳方法是：

1. 制作一個使用selenium處理該url的腳本，以selenium進行爬網並將其保存為文件。 例如crawler.py並確保腳本具有打印命令以打印結果

例如：

import -> all modules that you need to run selenium
import sys

url = sys.argv[1] #you will catch the url 

driver = ......#open browser

driver.get(url)
#just continue the script base on your method

print(--the result that you want--)
sys.exit(0)

我可以提供更多解釋，因為這是該過程的主要核心，只有您自己理解，您想在該網絡上做什么。

2. 制作另一個腳本文件：

一種。 設計URL，多進程意味着創建一些進程並與所有CPU內核一起運行，這是實現它的最佳方法...首先是確定輸入過程，在您的情況下，也許是URL目標（您不給我們） ，您要抓取的網站目標）。 但是網站的每個頁面都有不同的網址。 只需收集所有url並將其分為幾個組即可（最佳實踐：您的cpu核心-1）

例如：

import multiprocessing as mp

cpucore=int(mp.cpu_count())-1.

b。 將網址發送到使用您之前進行過的crawl.py處理（通過子流程或其他模塊，例如os.system）。 確保您運行crawl.py max == cpucore。

例如：

crawler = r'YOUR FILE DIRECTORY\crawler.py'

def devideurl():
    global url1, url2, url3, url4
    make script that result:
    urls1 = groups or list of url
    urls2 = groups or list of url
    urls3 = groups or list of url
    urls4 = groups or list of url

def target1():
    for url in url1:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
        #do you see the combination between python crawler and url?
        #the cmd command will be: python crawler.py "value", the "value" is captured by sys.argv[1] command in crawler.py

def target2():
    for url in url2:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
def target3():
    for url in url1:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...
def target4():
    for url in url2:
        t1 = subprocess.Popen(['python', crawler, url], stdout = PIPE)
        #continue the script, base on your need...

cpucore = int(mp.cpu_count())-1
pool = Pool(processes="max is the value of cpucore")
for search in search_list:
    pool.map(target1, devideurl)
    pool.map(target2, devideurl)
    pool.map(target3, devideurl)
    pool.map(target4, devideurl)
    #you can make it, more, depend on your cpu core

C。 將打印結果保存到主腳本的內存中

d。 繼續您的腳本過程來處理您已經獲得的數據。

3. 最后，在主腳本中制作整個過程的多進程腳本。

用這種方法：

您可以同時打開許多瀏覽器窗口並進行處理，並且由於從網站爬網進行的數據處理比內存中的數據處理要慢，因此該方法至少可以減少數據流的瓶頸。 意味着它比以前的方法要快。

希望有幫助...歡呼