Python / Scrapy / Selenium / PhantomJs - performance

Question

我正在使用Python和Scrapy制作网络爬虫/抓取器。因为有些网站是动态加载其内容的，所以我也将Selenium与PhantomJs结合使用。现在当我开始使用它时，我认为性能是可以接受的，但事实证明它很慢。现在我不确定这是因为我的代码中的一些漏洞，还是因为我使用的框架/程序不够优化。所以我问你关于我可以做些什么来提高性能的建议。
我编写的代码大约需要 35 秒来开始和结束。它正在执行大约 11 个 GET 请求和 3 个 Post 请求。

import scrapy
from scrapy.http.request import Request
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.support.ui import WebDriverWait
import time

class TechcrunchSpider(scrapy.Spider):
    name = "techcrunch_spider_performance"
    allowed_domains = ['techcrunch.com']
    start_urls = ['https://techcrunch.com/search/heartbleed']

    def __init__(self):
        self.driver = webdriver.PhantomJS()
        self.driver.set_window_size(1120, 550)
        #self.driver = webdriver.Chrome("C:UsersDanielDesktopSonstigeschromedriver.exe")
        self.driver.wait = WebDriverWait(self.driver, 5)    #wartet bis zu 5 sekunden
    def parse(self, response):
        start = time.time()     #ZEITMESSUNG
        self.driver.get(response.url)
        #wartet bis zu 5 sekunden(oben definiert) auf den eintritt der condition, danach schmeist er den TimeoutException error
        try:    
            self.driver.wait.until(EC.presence_of_element_located(
                (By.CLASS_NAME, "block-content")))
            print("Found : block-content")
        except TimeoutException:
            self.driver.close()
            print(" block-content NOT FOUND IN TECHCRUNCH !!!")

        #Crawle durch Javascript erstellte Inhalte mit Selenium
        ahref = self.driver.find_elements(By.XPATH,'//h2[@class="post-title st-result-title"]/a')
        hreflist = []
        #Alle Links zu den jeweiligen Artikeln sammeln
        for elem in ahref :
            hreflist.append(elem.get_attribute("href"))

        for elem in hreflist :
            print(elem)

        print("im closing myself")
        self.driver.close()
        end = time.time()
        print("Time elapsed : ")
        finaltime = end-start
        print(finaltime)

我正在使用Windows 8 64位，英特尔i7-3630QM CPU @ 2,4GHZ，Nvidia Geforce GT 650M，8GB RAM。
PS：对不起德语评论

Answer 1

我也面临着同样的问题，每分钟只处理 2 个 url。

我通过这样做缓存网页。

......
options = ['--disk-cache=true']
self.driver = webdriver.PhantomJS(service_args=options)
......

以防万一，这将 url 处理从每分钟 2 个增加到 11 个。这可能从一个网页到另一个网页。

如果您想禁用图像加载以加快硒中的页面加载速度，请将--load-images=false添加到上面的选项中。

希望对您有所帮助。

Answer 2

尝试使用 Splash 来处理带有 Javascript 的页面。