Node.js 刮板中的内存泄漏
Posted
技术标签:
【中文标题】Node.js 刮板中的内存泄漏【英文标题】:Memory leak in Node.js scraper 【发布时间】:2011-08-08 18:30:02 【问题描述】:这是一个用 Node.js 用 JavaScript 编写的简单抓取工具,用于从 Wikipedia 中抓取元素周期表元素数据。依赖项是 jsdom 用于 DOM 操作和 chain-gang 用于排队。
它在大多数情况下都能正常工作(它不会优雅地处理错误),而且代码也不算太糟糕,我敢说 for 尝试,但它有一个严重的错误——它会泄漏内存可怕的是,每个元素占用计算机内存的 0.3% 到 0.6% 不等,这样当它开始领先时,它会使用接近 20% 的地方,这显然是不可接受的。
我尝试过使用分析器,但要么发现它们没有帮助,要么难以解释数据。我怀疑这与processElement
的传递方式有关,但我很难将队列代码重写为更优雅的代码。
var fs = require('fs'),
path = require('path'),
jsdom = require("jsdom"),
parseUrl = require('url').parse,
chainGang = require('chain-gang');
var chain = chainGang.create(
workers: 1
);
var Settings =
periodicUrl: 'http://en.wikipedia.org/wiki/Template:Periodic_table',
periodicSelector: '#bodyContent > table:first',
pathPrefix: 'data/',
ignoredProperties: ['Pronunciation']
;
function writeToFile(output)
var keys = 0;
// Huge nests for finding the name of the element... yeah
for(var i in output)
if(typeof output[i] === 'object' && output[i] !== null)
for(var l in output[i])
if(l.toLowerCase() === 'name')
var name = output[i][l];
keys += Object.keys(output[i]).length;
console.log('Scraped ' + keys + ' properties for ' + name);
console.log('Writing to ' + Settings.pathPrefix + name + '.json');
fs.writeFile(Settings.pathPrefix + name + '.json', JSON.stringify(output));
// Generic create task function to create a task function that
// would be passed to the chain gang
function createTask (url, callback)
console.log('Task added - ' + url);
return function(worker)
console.log('Requesting: ' +url);
jsdom.env(url, [
'jquery.min.js' // Local copy of jQuery
], function(errors, window)
if(errors)
console.log('Error! ' + errors)
createTask(url, callback);
else
// Give me thy $
var $ = window.$;
// Cleanup - remove unneeded elements
$.fn.cleanup = function()
return this.each(function()
$(this).find('sup.reference, .IPA').remove().end()
.find('a, b, i, small, span').replaceWith(function()
return this.innerhtml;
).end()
.find('br').replaceWith(' ');
);
callback($);
worker.finish();
);
function processElement ($)
var infoBox = $('.infobox'),
image = infoBox.find('tr:contains("Appearance") + tr img:first'),
description = $('#toc').prevAll('p').cleanup(),
headers = infoBox.find('tr:contains("properties")'),
output =
Appearance: image.attr('src'),
Description: $('.infobox + p').cleanup().html()
;
headers.each(function()
var that = this,
title = this.textContent.trim(),
rowspan = 0,
rowspanHeading = '';
output[title] = ;
$(this).nextUntil('tr:has(th:only-child)').each(function()
var t = $(this).cleanup(),
headingEle = t.children('th'),
data = t.children('td').html().trim();
if(headingEle.length)
var heading = headingEle.html().trim();
// Skip to next heading if current property is ignored
if(~Settings.ignoredProperties.indexOf(heading))
return true;
if (rowspan)
output[title][rowspanHeading][data.split(':')[0].trim()] = data.split(':')[1].trim();
rowspan--;
else if (headingEle.attr('rowspan'))
rowspan = headingEle.attr('rowspan') - 1;
rowspanHeading = heading;
output[title][heading] = ;
output[title][heading][data.split(':')[0]] = data.split(':')[1];
else if (~heading.indexOf(','))
data = data.split(',');
heading.split(',').forEach(function(v, i)
output[title][v.trim()] = data[i].trim();
);
else
output[title][heading] = data;
);
);
writeToFile(output);
function fetchElements(elements)
elements.forEach(function(value)
// Element URL used here as task id (second argument)
chain.add(createTask(value, processElement), value);
);
function processTable($)
var elementArray = $(Settings.periodicSelector).find('td').map(function()
var t = $(this),
atomicN = parseInt(t.text(), 10);
if(atomicN && t.children('a').length)
var elementUrl = 'http://' + parseUrl(Settings.periodicUrl).host + t.children('a:first').attr('href');
console.log(atomicN, t.children('a:first').attr('href').split('/').pop(), elementUrl);
return elementUrl;
).get();
fetchElements(elementArray);
fs.writeFile(Settings.pathPrefix + 'elements.json', JSON.stringify(elementArray));
// Get table - init
function getPeriodicList()
var elementsList = Settings.pathPrefix + 'elements.json';
if(path.existsSync(elementsList))
var fileData = JSON.parse(fs.readFileSync(elementsList, 'utf8'));
fetchElements(fileData);
else
chain.add(createTask(Settings.periodicUrl, processTable));
getPeriodicList();
【问题讨论】:
【参考方案1】:jsdom 确实存在内存泄漏,这源于节点vm.runInContext()
后面的复制输入和复制输出逻辑。一直在努力使用 c++ 解决这个问题,我们希望在尝试将其推送到节点之前证明解决方案。
目前的解决方法是为每个 dom 生成一个子进程,并在完成后将其关闭。
编辑:
从 jsdom 0.2.3 开始,只要在完成后关闭窗口 (window.close()
),此问题就已解决。
【讨论】:
window.close() 完全正确,确保完成后关闭窗口,GC 将按预期工作。 :) 如果可以的话:你应该把它包含在 github 的首页自述文件中。我认为让用户知道需要清理窗口对象非常重要!也许它“显而易见”,但对我来说不是;)。【参考方案2】:对于使用节点的类 jQuery html 处理,我现在使用 cheerio 而不是 jsdom。到目前为止,我在几个小时内对超过 10K 的页面进行报废和解析时没有发现任何内存泄漏。
【讨论】:
这是一个很好的提示。我有一些代码试图解析大约 25 兆字节的 html,并且 jsdom 在长时间延迟后因内存不足错误而崩溃。使用cheerio重写代码7秒完成,没有任何错误。 在现阶段,cheerio 与 jQuery 非常不同,在选择器和 DOM 包装器方面缺乏很多特性。它肯定更快,但不兼容,如果您需要 jQuery 的熟悉度和表现力,这是一个问题。【参考方案3】:我认为我有一个更好的解决方法,通过设置 window.document.innerHTML 属性来重用您的 jsdom 实例。解决了我的内存泄漏问题!
// jsdom has a memory leak when using multiple instance
// cache a single instance and swap out innerHTML
var dom = require('jsdom');
var win;
var useJQuery = function(html, fnCallback)
if (!win)
var defEnv =
html:html,
scripts:['jquery-1.5.min.js'],
;
dom.env(defEnv, function (err, window)
if (err) throw new Error('failed to init dom');
win = window;
fnCallback(window.jQuery);
);
else
win.document.innerHTML = html;
fnCallback(win.jQuery);
;
....
// Use it!
useJQuery(html, function($) $('woohoo').val('test'); );
【讨论】:
这对我来说真的不起作用,这是我的 sn-p 有效的方法:var jsdom = require('jsdom'); var win = jsdom.jsdom().createWindow(); var useJQuery = function(html, fnCallback) jsdom.jQueryify(win, "code.jquery.com/jquery.js", function () win.document.innerHtml = html; fnCallback(win); ); ;【参考方案4】:我知道答案不多,但我遇到了类似的问题。我有多个刮板同时运行,内存泄漏。
我最终使用了 node-jquery 而不是 JSDOM
https://github.com/coolaj86/node-jquery
【讨论】:
不,我刚才实际上已经用 jsdom 替换了node-jquery
- 两者都以惊人的相似方式泄漏内存
为什么你认为不是你的代码泄漏了内存?更改库可能无济于事。以上是关于Node.js 刮板中的内存泄漏的主要内容,如果未能解决你的问题,请参考以下文章