Вообще, мой питон код выполняет следующие три шагаscikit узнать латентное размещение дирихль рвется многопроцессорными и URL запросов
- прогон несколько процессов скрести результаты поиска из поисковой системы
- скрести текст из каждого URL в списке (без многопроцессорного) с использованием библиотеки запросов на питона
- запустить fit_partial метод LDA объекта класса из scikit узнать библиотеку
программа прекрасно работает, когда я только scarped всего 50 ~ 80 URLs, но , когда есть много ссылок, программа зависает на шаге 3 после завершения трех до восьми fit_partial метод и формат печати
[Parallel(n_jobs=4)]: Done 4 out of 4 | elapsed: 0.1s finished
[Parallel(n_jobs=4)]: Done 4 out of 4 | elapsed: 0.1s finished
[Parallel(n_jobs=4)]: Done 4 out of 4 | elapsed: 0.1s finished
[Parallel(n_jobs=4)]: Done 4 out of 4 | elapsed: 0.1s finished
Если я проверяю ресурсоемкий процесс использований, все процессы питона есть zero cpu usages
Когда я делюсь над тремя шагами на два файла python (один скрипт python делает шаги 1 и 2 и сохраняет результат в виде файлов с использованием дампа сокета, а другой скрипт делает шаг 3 после загрузки сохраненных файлов), второй Файл python (который содержит шаг 3) работает нормально и не вызывает проблем.
Итак, я провел два моделирования. В первом симуляторе я опускаю только шаг 2. Во втором шаге 1 только для моделирования. В каждом симуляторе я загрузил сохраненный результат шагов 1 и 2 вместо того, чтобы выполнять фактический шаг.
Первая симуляция прошла нормально, но вторая симуляция была повешена.
Который дает заключение о том, что шаг 2 вызывает шаг 3 для зависания. пыльника код для шага 2. Все результаты добавляются в объект словаря, который использует URL-адреса в качестве ключей
def parse_information(url):
print(url)
try:
response = requests.get(url, verify=False)
except:
raise Exception("requests exception")
obj_bs = BeautifulSoup(response.text, "html.parser")
meta_refresh = obj_bs.find("meta", {"http-equiv": "refresh"})
if meta_refresh is not None:
refresh_url = meta_refresh["content"].lower().rsplit("url=")[1]
rup = urlparse(refresh_url)
if rup.netloc == "":
up = urlparse(url)
return parse_information(up.scheme + "://" + up.netloc + refresh_url)
return parse_information(refresh_url)
meta_charset = obj_bs.find(lambda tag: tag.name == 'meta' and 'charset' in tag.attrs)
http_equivs = obj_bs.findAll(lambda tag: tag.name == 'meta' and 'http-equiv' in tag.attrs)
if meta_charset is not None:
response.encoding = meta_charset["charset"]
elif len(http_equivs) > 0:
content_charset = ""
for http_equiv in http_equivs:
if http_equiv["http-equiv"].lower() == "content-type":
content_charset = http_equiv["content"]
break
if content_charset != "":
parse_charset = content_charset.split("charset=")
if len(parse_charset) > 1:
response.encoding = parse_charset[1]
else:
response.encoding = "shift_jis"
else:
response.encoding = "shift_jis"
obj_bs = BeautifulSoup(response.text, "html.parser")
info_dict = dict(title="", h1="", keywords="", description="", h2="")
tag_title = obj_bs.find("title")
info_dict["title"] = tag_title.text if tag_title is not None else ""
tag_h1 = obj_bs.find("h1")
info_dict["h1"] = tag_h1.text if tag_h1 is not None else ""
tags_h2 = obj_bs.findAll("h2")
info_dict["h2"] = "|".join([tag_h2.text.strip("\t\r\n ") for tag_h2 in tags_h2]) if len(tags_h2) > 0 else ""
metas = obj_bs.findAll(lambda tag: tag.name == 'meta' and 'name' in tag.attrs)
for meta in metas:
if meta["name"] == "keywords":
info_dict["keywords"] = meta.get("content", "")
elif meta["name"] == "description":
info_dict["description"] = meta.get("content", "")
htot = html2text.HTML2Text()
htot.ignore_links = True
htot.images_to_alt = True
htot.ignore_emphasis = True
pure_text = htot.handle(response.text).lower()
noun_dict = japanese_noun_dict(pure_text)
if len(noun_dict) == 0:
num_nouns = 0
else:
num_nouns = reduce(lambda a, b: a + b, noun_dict.values())
return {"info": info_dict, "noun": {"num": num_nouns, "freq": noun_dict}}
Бельего код для шага 3. g_result_lda.model является scikit учиться латентным размещение дирихля объекта класса. corpus_data является матрица документа слова, созданный из URL-адреса текстов
g_result_lda = TextLDA(documents=corpus_data, n_topics=n_topic)
len_corpus = len(g_result_lda.corpus_data)
# g_result_lda.model.fit(g_result_lda.corpus_data)
start_index = 0
while start_index < len_corpus:
end_index = start_index + 20 if start_index + 20 < len_corpus else len_corpus
g_result_lda.model.partial_fit(g_result_lda.corpus_data[start_index:end_index])
start_index = start_index +20
Кто-нибудь есть какие-либо идеи, что является причиной этой проблемы? Имеет ли библиотека scikit-learn конфликт с библиотекой запросов?
Я учусь питона на OSX