Python 'Aborted' после повторных вызовов Pandas.to_sql () - PullRequest
Новая
       76

Python 'Aborted' после повторных вызовов Pandas.to_sql ()

0 голосов
/ 04 ноября 2019

При запуске этой очистки она происходит случайным образом из-за ошибки памяти (см. Сообщение об ошибке ниже). Использование памяти с помощью objgraph не дает никаких подсказок, поскольку память остается постоянной. Мое инстинктивное чувство подсказывает мне, что проблема возникает из-за повторных Pandas.to_sql() заявлений, учитывая, что последний отпечаток, который я могу сделать, перед вызовом to_sql ( См. Этот выпуск GitHub ).

Сообщение об ошибке: Ошибка в `/ home / user / Projects / scrape_env / bin / python ': free (): неверный следующий размер (быстрый): 0x0000000002ae7340 Прервано 

# coding: utf8
import pandas as pd
import time
import datetime
import traceback
from bs4 import BeautifulSoup
import requests
import random
from utils import get_engine


def requesturl(url):
    try:
        time.sleep(random.randint(1, 5))
        resp = requests.get(url)
        if 'please refer to the MWS Subscription API' in resp.text:
            print(resp.text)
            print('Banned!! Sleeping... 30s', url)
            time.sleep(random.randint(10, 30))
            i = 10
            requesturl(url)
    except:
        traceback.print_exc()
        resp = ''

    return BeautifulSoup(resp.text, "lxml")


def filter_already_scraped(url_list):
    try:
        already_scraped = pd.read_sql('select PageURL from AmazonKindleUnlimitedScrape_temp', get_engine())
    except:
        already_scraped = pd.DataFrame(columns=['PageURL'])

    position = pd.read_sql("select max(Position) from AmazonKindleUnlimitedScrape_temp", get_engine()).values[0][0]
    if not position:
        position = 0

    url_list = [url for url in url_list if url not in already_scraped['PageURL'].tolist()]
    return url_list, position


def get_max_pages(url):
    resp = requesturl(url)
    return int(resp.find('span', {'class': 'pagnDisabled'}).text.strip())


def create_urls(start_url):
    max_pages = get_max_pages(start_url)
    url_list = []
    for page_num in range(1, max_pages+1):
        url_list.append(start_url + "&page=" + str(page_num))

    return url_list


def scrape_product_info(serp_element, position, url):
    position += 1
    product_info = dict.fromkeys(['ASIN', 'Title', 'Author'])

    product_info['ProductURL'] = \
    serp_element.find('a', {'class': 'a-link-normal a-text-normal'})['href'].split('/ref=')[0]
    product_info['ASIN'] = product_info['ProductURL'].split('/dp/')[1].split('/')[0]
    product_info['ProductURL'] = 'https://www.amazon.co.uk/dp/' + product_info['ASIN']
    product_info['PageURL'] = url

    product_info['Title'] = serp_element.find('h2', {
        'class': 'a-size-medium s-inline s-access-title a-text-normal'}).text.strip()

    product_info['Author'] = serp_element.find_all('a', {'class': 'a-link-normal a-text-normal'})[1].text.split('|')[0]
    if '£' in product_info['Author']:
        product_info['Author'] = \
        serp_element.find_all('span', {'class': 'a-size-small a-color-secondary'})[3].text.split('|')[0]

    product_info['Price'] = serp_element.find_all('span', {'class': 'a-size-base a-color-price s-price a-text-bold'})[
        1].text.strip()

    product_info['Position'] = position
    if serp_element.find('span', {'class': 's-icon s-icon-kindle-unlimited'}):
        product_info['isKindleUnlimited'] = True
    else:
        product_info['isKindleUnlimited'] = False

    product_info['isPrime'] = True

    product_info['timestamp'] = datetime.datetime.now()
    product_info['Date'] = product_info['timestamp'].date()

    return product_info


def scrape_serp(urls, position):
    for url in urls:
        resp = requesturl(url)

        main_results_group = resp.find('div', {'id': 'mainResults'})
        serp_group = main_results_group.find_all('li', {'class': 's-result-item'})

        serp_data = []
        for serp_element in serp_group:
            product_info = scrape_product_info(serp_element, position, url)
            serp_data.append(product_info)

        pd.DataFrame(serp_data).to_sql('AmazonKindleUnlimitedScrape_temp', get_engine(), if_exists='append', index=False)


def prime_titles_scrape():
    start_url = 'https://www.amazon.co.uk/b/ref=pr_br_rw_lp_mn?node=12730785031&storeType=ebooks&pageType=kindle'
    url_list = create_urls(start_url)
    url_list, position = filter_already_scraped(url_list)
    scrape_serp(url_list, position)


prime_titles_scrape()

Печать объекта: 

Memory usage: 120680 (kb)
dict                       29589
function                   29464
list                       17002
tuple                      12175
Tag                        7609
weakref                    6167
NavigableString            5138
cell                       3961
getset_descriptor          3611
builtin_function_or_method 3346
None
...