使用 HtmlAgilityPack 在 GeckoFX 中出现 C# 大量内存泄漏

Question

我正在编写一个程序来抓取许多公司的网站（最多 100,000 个），以获取最新的联系信息以及有关他们在 C# 中的运营领域的一些信息。由于大多数网站无法在常规 .NET 网络浏览器中显示，因此我使用 geckofx 导航到这些网站并查找与我相关的内容，因此我使用 HtmlAgilityPack 选择节点。

过程总是一样的：如果我有一个公司的 URL，我会立即访问该网站，否则我会使用 bing 查找网址（Google 似乎不喜欢被自动使用）。在网站上，我寻找指向印记的链接和指向可能表明某些活动领域的页面的链接，我导航到这些链接并查找我事先指定的流行语。一切都在同步运行，我等待浏览器每次触发其DocumentCompleted 事件。

一个例子：

//I navigate to bing looking for my company's name and postal code
Variables.browser.Navigate("https://www.bing.com/search?q=" + c.Name.Replace(" ", "+") + "+" + c.Zip.Replace(" ", "+"));

//I wait for the browser to finish loading. The Navigating event sets BrowserIsReady to false and the DocumentCompleted event sets it to true
do
{
    f.Application.DoEvents();
} while (!Variables.BrowserIsReady);

HtmlDocument browserDoc = new HtmlDocument();
browserDoc.LoadHtml(Variables.browser.Document.Body.OuterHtml);

//I select the relevant node in the document
HtmlNode sidebarNode = browserDoc.DocumentNode.SelectSingleNode("//div[contains(concat(\" \", normalize-space(@class), \" \"), \" b_entityTP \")]");

if (sidebarNode != null)
{
    Variables.logger.Log("Found readable sidebar. Loading data...");
    string lookedUpName, lookedUpStreet, lookedUpCity, lookedUpZip, lookedUpPhone, lookedUpWebsite;

    HtmlNode infoNode = sidebarNode.SelectSingleNode("//div[contains(concat(\" \", normalize-space(@class), \" \"), \" b_subModule \")]");

    HtmlNode nameNode = infoNode.SelectSingleNode("//div[contains(concat(\" \", normalize-space(@class), \" \"), \" b_feedbackComponent \")]");
    if (nameNode != null)
    {
        string[] dataFacts = nameNode.GetAttributeValue("data-facts", "").Replace("{\"", "").Replace("\"}", "").Split(new string[] { "\",\"" }, StringSplitOptions.None);
        foreach (string dataFact in dataFacts)
        {
            //... abbreviated
        }
    }
    //And at the end of every call to a node object I set it back to null
    nameNode = null;
}

我的 geckofx 不允许将缓存写入内存或从网站加载图像，这是我使用设置的

GeckoPreferences.Default["browser.cache.memory.enabled"] = false;
GeckoPreferences.Default["permissions.default.image"] = 2;

在创建我的 GeckoWebBrowser 实例之前。

每次抓取网站后我都会调用

//CookieMan is used as a global variable so I don't have to recreate it every time.
private static nsICookieManager CookieMan;
//...
CookieMan = Xpcom.GetService<nsICookieManager>("@mozilla.org/cookiemanager;1");
CookieMan = Xpcom.QueryInterface<nsICookieManager>(CookieMan);
CookieMan.RemoveAll();
Gecko.Cache.ImageCache.ClearCache(true);
Gecko.Cache.ImageCache.ClearCache(false);
Xpcom.GetService<nsIMemory>("@mozilla.org/xpcom/memory-service;1").HeapMinimize(true);

删除 cookie、图像缓存（我什至不确定是否已创建）并最大限度地减少 Xulrunners 的内存使用。

尽管如此，在以每条记录大约 2-3 秒的运行时间和 200-300mb 的舒适内存使用情况良好地开始之后，每条记录都迅速增加到 16-17 秒，并且仅我的爬虫就使用了超过 2gb 的内存之后1 小时。

我尝试使用 GC.Collect(); 强制垃圾回收（我知道，你不应该这样做），甚至通过停止、处理和重新创建它来回收整个浏览器对象，以尝试摆脱内存中未使用的垃圾，但无济于事。我也试图关闭 Xulrunner 并重新启动它，但 Xpcom.Shutdown() 似乎停止了整个应用程序，所以我无法这样做。

在这一点上我几乎没有想法，非常感谢我尚未采取的方法的新提示。

Answer 1

您是否尝试过使用回收的 AppDomain？

AppDomain workerAppDomain = AppDomain.CreateDomain("WorkerAppDomain");
workerAppDomain.SetData("URL", "https://stackoverflow.com");
workerAppDomain.DoCallBack(() =>
{
    var url = (string)AppDomain.CurrentDomain.GetData("URL");
    Console.WriteLine($"Scraping {url}");
    var webClient = new WebClient();
    var content = webClient.DownloadString(url);
    AppDomain.CurrentDomain.SetData("OUTPUT", content.Length);
});
int contentLength = (int)workerAppDomain.GetData("OUTPUT");
AppDomain.Unload(workerAppDomain);
Console.WriteLine($"ContentLength: {contentLength:#,0}");

输出：

抓取https://stackoverflow.com
内容长度：262.013

您在主 AppDomain 和工作 AppDomain 之间传递的数据必须是可序列化的。

---

更新：不过，最干净的解决方案应该是使用单独的进程。这将保证泄漏可以被可靠地清理。