使用Google App Engine在python中获取很多网址

debugcn 发表于 Dev

在我的RequestHandler子类中，我试图获取网址范围：

class GetStats(webapp2.RequestHandler):
    def post(self): 

    lastpage = 50   
    for page in range(1, lastpage):
        tmpurl = url + str(page)
        response = urllib2.urlopen(tmpurl, timeout=5)
        html = response.read()
        # some parsing html
        heap.append(result_of_parsing)  

    self.response.write(heap)

但是它可以使用约30个网址（页面加载时间很长，但是可以）。如果超过30，我会得到一个错误：

错误：服务器错误

服务器遇到错误，无法完成您的请求。

请在30秒后重试。

有什么方法可以获取很多网址吗？可能更理想或更合适？多达几百页？

更新：

我正在使用BeautifulSoup来解析每个页面。我在gae日志中找到了此追溯：

Traceback (most recent call last):
  File "/base/data/home/runtimes/python27/python27_lib/versions/1/google/appengine/runtime/wsgi.py", line 267, in Handle
result = handler(dict(self._environ), self._StartResponse)
  File "/base/data/home/runtimes/python27/python27_lib/versions/third_party/webapp2-2.5.2/webapp2.py", line 1529, in __call__
rv = self.router.dispatch(request, response)
  File "/base/data/home/runtimes/python27/python27_lib/versions/third_party/webapp2-2.5.2/webapp2.py", line 1278, in default_dispatcher
return route.handler_adapter(request, response)
  File "/base/data/home/runtimes/python27/python27_lib/versions/third_party/webapp2-2.5.2/webapp2.py", line 1102, in __call__
return handler.dispatch()
  File "/base/data/home/runtimes/python27/python27_lib/versions/third_party/webapp2-2.5.2/webapp2.py", line 570, in dispatch
return method(*args, **kwargs)
  File "/base/data/home/apps/s~gae/1.379703839015039430/main.py", line 68, in post
heap = get_times(tmp_url, 160)
  File "/base/data/home/apps/s~gae/1.379703839015039430/main.py", line 106, in get_times
soup = BeautifulSoup(html)
  File "libs/bs4/__init__.py", line 168, in __init__
self._feed()
  File "libs/bs4/__init__.py", line 181, in _feed
self.builder.feed(self.markup)
  File "libs/bs4/builder/_htmlparser.py", line 56, in feed
super(HTMLParserTreeBuilder, self).feed(markup)
  File "/base/data/home/runtimes/python27/python27_dist/lib/python2.7/HTMLParser.py", line 114, in feed
self.goahead(0)
  File "/base/data/home/runtimes/python27/python27_dist/lib/python2.7/HTMLParser.py", line 155, in goahead
startswith = rawdata.startswith
 DeadlineExceededError

保罗·科林伍德

之所以失败，是因为您只有60秒钟的时间将响应返回给用户，而我猜这将花费更长的时间。

您将要使用此功能：https : //cloud.google.com/appengine/articles/deferred

创建一个有10分钟超时的任务。然后，您可以立即返回给用户，他们可以稍后通过另一个处理程序（您创建的）“提取”结果。如果收集所有URL花费的时间超过10分钟，则必须将其拆分为更多任务。

看到这个：https : //cloud.google.com/appengine/articles/deadlineexceedederrors

了解为什么您不能再走超过60秒的时间。

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。