Scrapy 导入 100mb 的 XML 提要 - 内存错误答案

【问题标题】：Scrapy importing XML feed of 100mb - Memory ErrorScrapy 导入 100mb 的 XML 提要 - 内存错误
【发布时间】：2013-08-08 22:03:18
【问题描述】：

我正在使用 scrapy 在 Amazon EC2 实例上抓取 100mb 的 XML 提要。但是我被卡住了，因为它运行时会谈到内存错误。与我一起工作的编码员建议将 100mb 文件分解成更易于管理的块，但我确信必须有更好的方法来做到这一点。

日志：

File "/usr/local/lib/python2.7/dist-packages/scrapy/utils/iterators.py", line 22, in xmliter
        text = body_or_str(obj)
      File "/usr/local/lib/python2.7/dist-packages/scrapy/utils/response.py", line 22, in body_or_str
        return obj.body_as_unicode() if unicode else obj.body
      File "/usr/local/lib/python2.7/dist-packages/scrapy/http/response/text.py", line 62, in body_as_unicode
        self._cached_ubody = html_to_unicode(charset, self.body)[1]
      File "/usr/local/lib/python2.7/dist-packages/w3lib/encoding.py", line 173, in html_to_unicode
        return enc, to_unicode(html_body_str, enc)
      File "/usr/local/lib/python2.7/dist-packages/w3lib/encoding.py", line 118, in to_unicode
        return data_str.decode(encoding, 'w3lib_replace')
      File "/usr/lib/python2.7/encodings/cp1252.py", line 15, in decode
        return codecs.charmap_decode(input,errors,decoding_table)
    exceptions.MemoryError: 

2013-08-08 17:53:29+0000 [site] INFO: Closing spider (finished)
2013-08-08 17:53:29+0000 [site] INFO: Dumping Scrapy stats:
    {'downloader/request_bytes': 241,
     'downloader/request_count': 1,
     'downloader/request_method_count/GET': 1,
     'downloader/response_bytes': 103257370,
     'downloader/response_count': 1,
     'downloader/response_status_count/200': 1,
     'finish_reason': 'finished',
     'finish_time': datetime.datetime(2013, 8, 8, 17, 53, 29, 166687),
     'log_count/DEBUG': 7,
     'log_count/ERROR': 1,
     'log_count/INFO': 4,
     'response_received_count': 1,
     'scheduler/dequeued': 1,
     'scheduler/dequeued/memory': 1,
     'scheduler/enqueued': 1,
     'scheduler/enqueued/memory': 1,
     'spider_exceptions/MemoryError': 1,
     'start_time': datetime.datetime(2013, 8, 8, 17, 53, 26, 375069)}
2013-08-08 17:53:29+0000 [site] INFO: Spider closed (finished)

我的问题是，有什么办法可以让我处理这个 100mb 的文件而不会遇到内存问题吗？

【问题讨论】：

“它谈论内存错误（泄漏）”是什么意思？您向我们展示的回溯并没有说明泄漏。 MemoryError 很可能没有任何泄漏；如果您实际上试图使用比您拥有的更多的内存，即使您要正确处理它，它仍然是一个错误。
同时，引发此异常的实际代码是什么？你用的是什么版本的scrapy？
原始帖子已编辑以反映这一点（回复：内存错误）。我正在使用最新版本的scrapy。我不确定如何隔离导致此问题的特定代码。
另外，您运行的是哪种 EC2 类型？如果您尝试使用 600MB 的 t1.micro，则将 100MB 的 cp1252 字节解码为 400MB 的 Unicode 将失败；您唯一的选择是使用更大的实例，或者分段进行。

标签： python linux performance memory scrapy

【解决方案1】：

scrapy 总是尝试将您的整个输入数据解码为 Unicode。在典型的宽 Unicode 构建中，这意味着 100MB 的 HTML 页面将扩展到 400MB。

那么，你该如何解决呢？

使用更大的（64 位）EC2 实例。
使用不需要像 scrapy 那样解码整个输入数据的不同库。
使用 Python 3.3 或 Python 2.x 的窄 Unicode 版本，因此您的 Unicode 最终只有 100MB 或 200MB 而不是 400MB。
分块读取和处理数据。

【讨论】：