Python / Scrapy / Selenium / PhantomJs - performance

Question

我正在使用Python和Scrapy制作一个网络爬虫/抓取器。因为一些网站是动态加载内容的，所以我也将Selenium与PhantomJs结合使用。现在，当我开始使用它时，我认为它的性能是可以接受的，但事实证明它相当慢。现在我不确定这是因为我的代码中的一些漏洞，还是因为我使用的框架/程序没有得到足够的优化。所以我想问你们一些关于我可以做些什么来提高性能的建议。

我写的代码大约需要。开始和结束还有35秒。它正在执行大约11个GET请求和3个Post请求。

import scrapy
from scrapy.http.request import Request
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.support.ui import WebDriverWait
import time


class TechcrunchSpider(scrapy.Spider):
    name = "techcrunch_spider_performance"
    allowed_domains = ['techcrunch.com']
    start_urls = ['https://techcrunch.com/search/heartbleed']



    def __init__(self):
        self.driver = webdriver.PhantomJS()
        self.driver.set_window_size(1120, 550)
        #self.driver = webdriver.Chrome("C:\Users\Daniel\Desktop\Sonstiges\chromedriver.exe")
        self.driver.wait = WebDriverWait(self.driver, 5)    #wartet bis zu 5 sekunden

    def parse(self, response):
        start = time.time()     #ZEITMESSUNG
        self.driver.get(response.url)

        #wartet bis zu 5 sekunden(oben definiert) auf den eintritt der condition, danach schmeist er den TimeoutException error
        try:    

            self.driver.wait.until(EC.presence_of_element_located(
                (By.CLASS_NAME, "block-content")))
            print("Found : block-content")

        except TimeoutException:
            self.driver.close()
            print(" block-content NOT FOUND IN TECHCRUNCH !!!")


        #Crawle durch Javascript erstellte Inhalte mit Selenium

        ahref = self.driver.find_elements(By.XPATH,'//h2[@class="post-title st-result-title"]/a')

        hreflist = []
        #Alle Links zu den jeweiligen Artikeln sammeln
        for elem in ahref :
            hreflist.append(elem.get_attribute("href"))


        for elem in hreflist :
            print(elem)



        print("im closing myself")
        self.driver.close()
        end = time.time()
        print("Time elapsed : ")
        finaltime = end-start
        print(finaltime)

我使用的是Windows 8 64位，英特尔i7-3630QM CPU @2，4 GT，Nvidia Geforce GT 650M，8 8GB。

PS:对德国人的评论感到抱歉

Answer 1

我也面临着同样的问题，每分钟只处理2个url。

我通过这样做来缓存网页。

......
options = ['--disk-cache=true']
self.driver = webdriver.PhantomJS(service_args=options)
......

这会使url处理速度从每分钟2次增加到11次，以防万一。这可能是从一个网页到另一个网页。

如果您想要禁用图像加载以加快selenium中的页面加载速度，请在上面的选项中添加--load-images=false。

希望能有所帮助。

Answer 2

尝试使用Splash来处理带有Javascript的页面。