我有一个gevent驱动的爬虫下载页面。爬虫程序采用producer-consumer模式,我向队列提供如下数据{方法:获取, 网址:xxxx,其他_信息:yyyy}. 在
现在我想把一些响应汇编成文件。问题是,我不能只在每次请求结束时打开和写入,io代价高昂,数据顺序不正确。在
我假设我应该对所有请求进行编号,按顺序缓存响应,打开一个greenlet循环并汇编文件,伪代码可能是这样的:
max_chunk=1000
data=[]
def wait_and_assemble_file(): # a loop
while True:
if len(data)==28:
f= open('test.txt','a')
for d in data:
f.write(d)
f.close()
gevent.sleep(0)
def after_request(response, index): # Execute after every request ends
data[index]=response # every response is about 5-25k
有更好的解决办法吗?有数千个并发请求,我怀疑内存使用可能增长太快,或者一次循环太多,或者意外的事情。在
更新:
上面的代码只是演示了数据缓存和文件写入的原理。在实际情况下,可能需要运行100次循环来等待缓存完成并写入不同的文件。在
更新2
@IT Ninja建议使用队列系统,所以我用Redis写了一个替代方案:
^{pr2}$看起来好一点,但我怀疑在Redis中保存大量数据是不是一个好主意,希望有更多的建议!在
这取决于数据的大小。如果它非常大,它可以减慢所有结构在内存中的程序。在
如果内存不是问题,您应该将结构保存在内存中,而不是一直从文件中读取。用concurrents请求反复打开文件不是一个好的解决方案。在
使用队列系统处理类似的问题可能会更好,而不是每个线程都有自己的文件处理程序。这是因为每个线程都有自己的处理程序,所以在编写此文件时可能会遇到竞争条件。在
就资源而言,假设传递到文件的信息不是非常大(Python在这方面很好),那么除了磁盘写入之外,这不应该占用太多的资源。如果这确实带来了问题,那么将文件分块读入内存(并按比例写入块)可以大大减少这个问题,只要这是文件上载的一个选项。在
相关问题 更多 >
编程相关推荐