我正在构建一个抓取器,它需要一个URL,从中提取链接,并将它们中的每一个访问到一定深度;在特定的网站上制作路径树。处理“打开文件过多”的最佳方法是什么?
我实现并行这个爬虫的方式是,我尽快访问每个新发现的URL,因为它的发现是这样的:
func main() {
link := "https://example.com"
wg := new(sync.WaitGroup)
wg.Add(1)
q := make(chan string)
go deduplicate(q, wg)
q <- link
wg.Wait()
}
func deduplicate(ch chan string, wg *sync.WaitGroup) {
for link := range ch {
// seen is a global variable that holds all seen URLs
if seen[link] {
wg.Done()
continue
}
seen[link] = true
go crawl(link, ch, wg)
}
}
func crawl(link string, q chan string, wg *sync.WaitGroup) {
// handle the link and create a variable "links" containing the links found inside the page
wg.Add(len(links))
for _, l := range links {
q <- l}
}
}
这对于相对较小的站点工作正常,但是当我在一个运行大的链接到处都有很多链接,我开始在一些请求中获得这两个错误中的一个:socket: too many open files
和no such host
(主机确实存在)。
处理这个问题的最佳方法是什么?我是否应该检查这些错误并暂停执行,直到其他请求完成为止?或者在特定时间指定可能请求的最大数量? (这对我更有意义,但不知道如何精确地编码)
您正面临与操作系统控制的每个用户打开文件的限制有关的问题。如果您使用Linux/Unix,则可以使用ulimit -n 4096命令来增加限制。该命令有一个阈值,它不能设置你想要打开的文件的数量。所以如果你想进一步推动它,那么你需要修改/etc/security/limits.conf文件并设置硬性限制和软限制。 –
另外,你正在为每个环节启动一个配置程序,如果存在的话,那么在某些时候它们中的许多人会失败goroutines的目的,而且实际上需要更长的时间才能完成任务。你应该尝试使用固定数量的goroutine来完成处理并从频道读取,而不是为每个链接启动一个新的。看看https://blog.golang.org/pipelines – Topo
或者可能是这样的模式:https://gobyexample.com/worker-pools? (顺便说一下,你的'WaitGroup'的用法很奇怪,为每个goroutine加1,并且在每个goroutine中延迟'Done'。其他任何东西都是要求bug的) – JimB