Question

我正在使用scrapy在Amazon EC2实例上刮取100mb XML feed。我被困住了，因为当它运行时它会讨论内存错误。我正在使用的编码器建议将100mb文件分解为更易于管理的块，但我相信必须有更好的方法来实现这一点。

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，有什么我可以做的，所以我可以处理100mb文件而不会遇到内存问题？

Answer 1

scrapy总是尝试将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，你怎么能解决这个问题？

使用更大的（和64位）EC2实例。
使用不需要像scrapy那样解码整个输入数据的其他库。
使用Python 3.3或Python 2.x的窄版本构建，因此您的Unicode最终只有100MB或200MB而不是400MB。
以块的形式读取和处理数据。

Scrapy导入100mb的XML feed - 内存错误

1 个答案: