Pythonselenium多处理

Question

我用python与selenium结合编写了一个脚本，以从其着陆页中抓取不同文章的链接，并通过跟踪引向其内页的url最终获得每个文章的标题。尽管我在这里解析的内容是静态内容，但我还是使用了selenium来查看它在多处理中的工作方式。

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，但似乎我错了。

我的问题：当使用多处理运行selenium时，如何减少使用selenium的执行时间？

This is my try (it's a working one) ：

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

当使用多处理运行硒时，如何减少使用硒的执行时间

解决方案中的很多时间都花在为每个URL启动Webdriver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1m7s减少到仅24.895s，减少了约35％。要测试自己，请下载完整脚本。

注意：ThreadPool使用受Python GIL约束的线程。如果大多数情况下任务是受I /
O约束的，那没关系。根据您对抓取的结果进行的后处理，您可能需要使用a
multiprocessing.Pool。这将启动并行进程，这些进程作为一个整体不受GIL的约束。其余代码保持不变。