Ruby, Mongodb, Anemone: веб-сканер с возможной утечкой памяти?

Question

Недавно я начал изучать веб-сканеры и создал хранилище образцов для Ruby, Anemone и Mongodb. Я тестирую сканер на огромном общедоступном веб-сайте с миллиардами ссылок.

Файл crawler.rb индексирует правильную информацию, хотя, когда я проверяю использование памяти в мониторе активности, он показывает, что память постоянно растет. Я запускаю сканер только около 6-7 часов, а память показывает 1,38 ГБ для mongod и 1.37 ГБ для процесса Ruby. Кажется, он растет около 100 МБ каждый час или около того.

Кажется, у меня может быть утечка памяти? Является ли это более оптимальным способом, чтобы я мог достичь того же сканирования, не увеличивая объем памяти, чтобы она могла работать дольше?

# Sample web_crawler.rb with Anemone, Mongodb and Ruby.

require 'anemone'

# do not store the page's body.
module Anemone
  class Page
    def to_hash
      {'url' => @url.to_s,
       'links' => links.map(&:to_s),
       'code' => @code,
       'visited' => @visited,
       'depth' => @depth,
       'referer' => @referer.to_s,
       'fetched' => @fetched}
    end
    def self.from_hash(hash)
      page = self.new(URI(hash['url']))
      {'@links' => hash['links'].map { |link| URI(link) },
       '@code' => hash['code'].to_i,
       '@visited' => hash['visited'],
       '@depth' => hash['depth'].to_i,
       '@referer' => hash['referer'],
       '@fetched' => hash['fetched']
      }.each do |var, value|
        page.instance_variable_set(var, value)
      end
      page
    end
  end
end


Anemone.crawl("http://www.example.com/", :discard_page_bodies => true, :threads => 1, :obey_robots_txt => true, :user_agent => "Example - Web Crawler", :large_scale_crawl => true) do | anemone |
  anemone.storage = Anemone::Storage.MongoDB

  #only crawl pages that contain /example in url
  anemone.focus_crawl do |page|
    links = page.links.delete_if do |link|
      (link.to_s =~ /example/).nil?
    end
  end

  # only process pages in the /example directory
  anemone.on_pages_like(/example/) do | page |
    regex = /some type of regex/
    example = page.doc.css('#example_div').inner_html.gsub(regex,'') rescue next

    # Save to text file
    if !example.nil? and example != ""
      open('example.txt', 'a') { |f| f.puts "#{example}"}
    end
    page.discard_doc!
  end
end

Answer 1

У меня также есть проблема с этим, но я использую Redis в качестве хранилища данных.

это мой сканер:

require "rubygems"

require "anemone"

urls = File.open("urls.csv")
opts = {discard_page_bodies: true, skip_query_strings: true, depth_limit:2000, read_timeout: 10} 

File.open("results.csv", "a") do |result_file|

  while row = urls.gets

    row_ = row.strip.split(',')
    if row_[1].start_with?("http://")
      url = row_[1]
    else
      url = "http://#{row_[1]}"
    end 
    Anemone.crawl(url, options = opts) do |anemone|
      anemone.storage = Anemone::Storage.Redis
      puts "crawling #{url}"    
      anemone.on_every_page do |page| 

        next if page.body == nil 

        if page.body.downcase.include?("sometext")
          puts "found one at #{url}"     
          result_file.puts "#{row_[0]},#{row_[1]}"
          next

        end # end if 

      end # end on_every_page

    end # end crawl

  end # end while

  # we're done
  puts "We're done."

end # end File.open

Отсюда я применил патч к файлу core.rb в геме анемона:

35       # Prevent page_queue from using excessive RAM. Can indirectly limit ra    te of crawling. You'll additionally want to use discard_page_bodies and/or a     non-memory 'storage' option
36       :max_page_queue_size => 100,

...

(Следующее раньше было в строке 155)

157       page_queue = SizedQueue.new(@opts[:max_page_queue_size])

и у меня есть почасовая работа cron:

#!/usr/bin/env python
import redis
r = redis.Redis()
r.flushall()

попытаться уменьшить использование памяти redis. Я перезапускаю гигантское сканирование сейчас, так что посмотрим, как оно пойдет!

Я сообщу с результатами...

Answer 2

Я делаю нечто подобное и думаю, что, возможно, вы просто создаете множество данных.

Вы не сохраняете тело так, что должно помочь требованиям памяти.

Единственное другое улучшение, которое я могу придумать, - это использовать Redis вместо Mongo, так как я обнаружил, что он гораздо более масштабируем для хранилища Anemone.

Проверьте размер данных, которые у вас есть в Монго - я обнаружил, что сохранял огромное количество строк.