javascript - 使用 Apify Puppeteer 爬行的内存问题

Question

我一直在做一个 Python 项目，用户向程序提供一长串 URL（比如说 100 个 URL），程序将生成 100 个进程来执行包含爬虫代码的 JavaScript 代码（使用Apify.launchPuppeteer()）。此外，JavaScript 代码是基于 Apify Puppeteer 单页模板创建和修改的。

但是，100个进程同时调用爬取代码会占用大量内存，导致卡顿。由于 Python 代码正在等待从 JavaScript 代码写入的文件中读取结果，因此内存不足会极大地影响性能并引发文件写入错误。我想知道是否有任何方法可以优化 JavaScript 爬虫代码，或者是否可以对双方进行任何改进？

一些编辑 --- 关于程序的额外信息：用户正在给出一个 URL（域）列表，并且程序想要递归地爬取域中的所有链接（例如，爬取域 github.com 中的所有超链接）。

标签： javascriptpythonweb-crawlerpuppeteerapify

Answer 1

完全没有必要启动 100 个单独的爬取进程。Apify 提供了爬虫类，它们可以抓取一个列表或一个充满 URL 的队列。它们还管理并发，因此运行保持在 CPU 和内存限制内。我们通常会抓取数百万个 URL，而不会出现显着的内存或 CPU 问题。我会使用PuppeteerCrawler。