Javascript 使用太多线程的PhantomJS
我编写了一个PhantomJS应用程序来爬过我构建的站点,并检查是否包含JavaScript文件。JavaScript类似于Google,其中一些内联代码加载到另一个JS文件中。该应用程序会查找另一个JS文件,这就是我使用Phantom的原因 预期结果是什么? 控制台输出应该读取大量URL,然后告诉脚本是否已加载 到底发生了什么事? 控制台输出将按预期读取大约50个请求,然后开始抛出此错误:Javascript 使用太多线程的PhantomJS,javascript,web-crawler,phantomjs,Javascript,Web Crawler,Phantomjs,我编写了一个PhantomJS应用程序来爬过我构建的站点,并检查是否包含JavaScript文件。JavaScript类似于Google,其中一些内联代码加载到另一个JS文件中。该应用程序会查找另一个JS文件,这就是我使用Phantom的原因 预期结果是什么? 控制台输出应该读取大量URL,然后告诉脚本是否已加载 到底发生了什么事? 控制台输出将按预期读取大约50个请求,然后开始抛出此错误: 2013-02-21T10:01:23 [FATAL] QEventDispatcherUNIXPriv
2013-02-21T10:01:23 [FATAL] QEventDispatcherUNIXPrivate(): Can not continue without a thread pipe
QEventDispatcherUNIXPrivate(): Unable to create thread pipe: Too many open files
这是打开页面并搜索脚本的代码块,包括:
page.open(url, function (status) {
console.log(YELLOW, url, status, CLEAR);
var found = page.evaluate(function () {
if (document.querySelectorAll("script[src='***']").length) {
return true;
} else { return false; }
});
if (found) {
console.log(GREEN, 'JavaScript found on', url, CLEAR);
} else {
console.log(RED, 'JavaScript not found on', url, CLEAR);
}
self.crawledURLs[url] = true;
self.crawlURLs(self.getAllLinks(page), depth-1);
});
crawledURLs对象只是我已经爬网过的URL对象。crawlURLs函数只是遍历getAllLinks函数中的链接,并对具有爬虫程序启动所在域的基本域的所有链接调用open函数
编辑
我将代码的最后一块修改如下,但仍然存在相同的问题。我已经在文件中添加了page.close()
if (!found) {
console.log(RED, 'JavaScript not found on', url, CLEAR);
}
self.crawledURLs[url] = true;
var links = self.getAllLinks(page);
page.close();
self.crawlURLs(links, depth-1);
从文件中: 由于某些技术限制,web页面对象可能不会完全被垃圾收集。当重复使用同一对象时,经常会遇到这种情况 解决方案是在正确的时间显式调用网页对象的
close()
其中的一些示例,例如,演示了具有显式关闭的多个页面对象。打开文件限制。
即使正确关闭文件,也可能会遇到此错误
在浏览互联网之后,我发现您需要增加单个进程允许打开的文件数限制。在我的例子中,我生成了数百到数千页的PDF
根据您正在运行的系统,有不同的方法调整此设置,但以下是在Ubuntu服务器上对我有效的方法:
将以下内容添加到/etc/security/limits.conf
的末尾:
# Sets the open file maximum here.
# Generating large PDFs hits the default ceiling (1024) quickly.
* hard nofile 65535
* soft nofile 65535
root hard nofile 65535 # Need these two lines because the wildcards (above)
root soft nofile 65535 # are not applied to the root user as well.
可以找到ulimit
命令的良好参考
我希望这能让一些人走上正轨。我在ruby程序中运行多个线程时遇到了这个错误。
我用水豚怪运行phantomjs,每个线程访问一个页面,打开同一个CSV文件并写入
我可以通过使用互斥锁
类来修复它
lock = Mutex.new
lock.synchronize do
CSV.open("reservations.csv", "w") do |file|
file << ["Status","Name","Res-Code","LS-Num","Check-in","Check-out","Talk-URL"]
$status.length.times do |i|
file << [$status[i],$guest_name[i],$reservation_code[i],$listing_number[i],$check_in[i],$check_out[i], $talk_url[i]]
end
end
puts "#{user.email} PAGE NUMBER ##{p+1} WRITTEN TO CSV"
end
end
lock=Mutex.new
同步锁
打开(“reservations.CSV”,“w”)do |文件|
我尝试在self.crawlURLs()
之后调用页面关闭文件,但得到一个错误,页面中未定义关闭。实际错误是TypeError:“undefined”不是函数(计算“page.close()”)
您可以忽略最后一条注释。我在一个旧版本的幻影。我重构了上面的代码,但仍然存在同样的问题。如果没有一个完整的可复制测试用例,那么调试就不容易了。我将尝试为它准备一个可行的测试用例,但是,如果你做了任何事情,在PhantomJS中生成了一堆网页,那么你就会看到这个问题。不久前我遇到了一个类似的问题,这个解决方案成功了。它应该被标记为正确答案。如果您正在使用类似Unix的操作系统,ulimit-Sn
会说什么?在MacOSX上,默认值是256,这相当低。我在Ubuntu上,上面写着1024。好的,应该足够了。