Улучшение scrapy и селен с Firefox в безголовом режиме

Question

Я очищаю тяжелый сайт на JavaScript и настроил бродячий экземпляр для проверки возможности ( 1 ГБ ОЗУ). Система падает после анализа нескольких URL-адресов. Я не могу определить требования к памяти для этой настройки и причину сбоя. Однако я запустил htop параллельно и получил скриншот перед сбоем системы, прикрепленный ниже. Я подозреваю, что памяти недостаточно, но я не знаю, сколько мне нужно. Поэтому я ищу:

1. Требования к памяти для моей установки ( Scrapy + селен + fireofox - без головы
2. Причина аварии
3. Как улучшить процесс очистки
4. Альтернативы любому из (scrapy, selenium, firefox)

SeleniumMiddleWare:

import os, traceback
from shutilwhich import which
from scrapy import signals
from scrapy.http import HtmlResponse
from scrapy.utils.project import get_project_settings
from selenium import webdriver
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from selenium.webdriver.firefox.options import Options

SELENIUM_HEADLESS = False

settings = get_project_settings()

class SeleniumMiddleware(object):
    driver = None

    @classmethod
    def from_crawler(cls, crawler):
        middleware = cls()
        crawler.signals.connect(middleware.spider_opened, signals.spider_opened)
        crawler.signals.connect(middleware.spider_closed, signals.spider_closed)
        return middleware

    def process_request(self, request, spider):
        if not request.meta.get('selenium'):
            return
        self.driver.get(request.url)

        #if setting new cookies remove old
        if len(request.cookies):
            self.driver.implicitly_wait(1)
            self.driver.delete_all_cookies()

        #add only desired cookies if session persistence is requested
        request_cookies=[]

        if request.meta.get('request_cookies'):
           request_cookies=request.meta.get('request_cookies')

        for cookie in request.cookies:
             if cookie['name'] in request_cookies:
                print ' ---- set request cookie [%s] ---- ' % cookie['name']
                new_cookie={k: cookie[k] for k in ('name', 'value','path', 'expiry') if k in cookie}
                self.driver.add_cookie(new_cookie)

        if  request.meta.get('redirect_url'):
            self.driver.get(request.meta.get('redirect_url'))
            self.driver.implicitly_wait(5)

        request.meta['driver'] = self.driver

        return HtmlResponse(self.driver.current_url, body=self.driver.page_source, encoding='utf-8', request=request)

    def spider_opened(self, spider):
        options=Options()
        binary= settings.get('SELENIUM_FIREFOX_BINARY') or which('firefox')
        SELENIUM_HEADLESS=settings.get('SELENIUM_HEADLESS') or False
        if SELENIUM_HEADLESS:
            print " ---- HEADLESS ----"
            options.add_argument( "--headless" )

        firefox_capabilities = DesiredCapabilities.FIREFOX
        firefox_capabilities['marionette'] = True
        firefox_capabilities['binary'] = binary
        try:
            self.driver = webdriver.Firefox(capabilities=firefox_capabilities, firefox_options=options)
        except Exception:
          print " ---- Unable to instantiate selenium webdriver instance ! ----"
          traceback.print_exc()
          os._exit(1)

    def spider_closed(self, spider):
        if self.driver:
            self.driver.close()

Answer 1

Быстрое проникновение в ваш блок кода показывает в def spider_closed(self, spider): ты используешь self.driver.close() следующее:

def spider_closed(self, spider):
    if self.driver:
        self.driver.close()

В соответствии с лучшими практиками, чтобы закрыть webdriver вариант и webbrowser Например, вы должны вызвать quit() метод в пределах tearDown() {}, Вызов quit(), удаляет текущий сеанс просмотра, отправив quit команда с {"flags":["eForceQuit"]} и, наконец, отправляет запрос GET на /shutdownEndPoint,

Вы можете найти подробное обсуждение в разделе Как остановить процесс geckodriver, влияющий на память ПК, без вызова driver.quit()?

Таким образом, решение будет заменить self.driver.close() с self.driver.quit() следующее:

def spider_closed(self, spider):
    if self.driver:
        self.driver.quit()