如何在并行处理期间重用 selenium 驱动程序实例？

Question

为了抓取 URL 池，我使用 joblib 并行处理 selenium。在这种情况下，我面临两个挑战：

• 挑战 1 是加快这一进程。目前，我的代码为每个 URL 打开和关闭一个驱动程序实例（理想情况下每个进程都有一个）
• 挑战 2 是摆脱 CPU 密集型 while 循环，我认为我需要 continue 处理空结果（我知道这很可能是错误的）

伪代码：

URL_list = [URL1, URL2, URL3, ..., URL100000]                 # List of URLs to be scraped

def scrape(URL):
  while True:                                                 # Loop needed to use continue
          try:                                                # Try scraping
             driver = webdriver.Firefox(executable_path=path) # Set up driver
             website = driver.get(URL)                        # Get URL
             results = do_something(website)                  # Get results from URL content                                                
             driver.close()                                   # Close worker
             if len(results) == 0:                            # If do_something() failed:                                                                  
                continue                                      # THEN Worker to skip URL                          
             else:                                            # If do_something() worked:
                safe_results("results.csv")                   # THEN Save results               
                break                                         # Go to next worker/URL
          except Exception as e:                              # If something weird happens:  
                save_exception(URL, e)                        # THEN Save error message
                break                                         # Go to next worker/URL

Parallel(n_jobs = 40)(delayed(scrape)(URL) for URL in URL_list))) # Run in 40 processes

我的理解是，为了跨迭代重用驱动程序实例，# Set up driver-line 需要放在scrape(URL) 之外。但是，scrape(URL) 之外的所有内容都无法找到 joblib 的Parallel(n_jobs = 40)。这意味着您不能在使用 joblib 进行抓取时重用驱动程序实例，这是不正确的。

Q1：上例并行处理时如何复用驱动实例？

Q2：如何在保持上述示例中的功能的同时摆脱while循环？

注意：firefox_profile 中禁用了 Flash 和图像加载（代码未显示）

Answer 1

1) 您应该首先创建一堆驱动程序：每个进程一个。并将实例传递给工作人员。我不知道如何将驱动程序传递给 Prallel 对象，但您可以使用 threading.current_thread().name 键来识别驱动程序。为此，请使用backend="threading"。所以现在每个线程都有自己的驱动程序了。

2) 你根本不需要循环。并行对象本身迭代你所有的 url（我希望我真的理解你使用循环的意图）

import threading
from joblib import Parallel, delayed
from selenium import webdriver

def scrape(URL):
    try:
        driver = drivers[threading.current_thread().name]
    except KeyError:
        drivers[threading.current_thread().name] = webdriver.Firefox()
        driver = drivers[threading.current_thread().name]
    driver.get(URL)
    results = do_something(driver)
    if results:
        safe_results("results.csv")

drivers = {}
Parallel(n_jobs=-1, backend="threading")(delayed(scrape)(URL) for URL in URL_list)
for driver in drivers.values():
    driver.quit()

但我真的不认为使用 n_job 比使用 CPU 获得更多利润。所以n_jobs=-1是最好的（当然我可能错了，试试看）。