Блог

Я использую QWebPage от Qt для рендеринга страницы, которая использует javascript для динамического обновления своего содержимого, поэтому библиотека, которая просто загружает статическую версию страницы (например, urllib2), не будет работать.

Моя проблема в том, что при рендеринге второй страницы примерно в 99% случаев программа просто вылетает. В других случаях он будет работать три раза, прежде чем произойдет сбой. Я также получил несколько ошибок segfaults, но все это очень случайно.

Я предполагаю, что объект, который я использую для рендеринга, не удаляется должным образом, поэтому попытка его повторного использования, возможно, вызывает некоторые проблемы для меня. Я просмотрел все, и, похоже, ни у кого не возникает такой же проблемы.

Вот код, который я использую. Программа загружает веб-страницы из Steam community market, чтобы я мог создать базу данных всех элементов. Мне нужно вызвать getItemsFromPage функцию несколько раз, чтобы получить все элементы, поскольку они разбиты на страницы (показаны результаты 1-10 из X количества).

 import csv
import re
import sys
from string import replace
from bs4 import BeautifulSoup
from PyQt4.QtGui import *
from PyQt4.QtCore import *
from PyQt4.QtWebKit import *

class Item:
    __slots__ = ("name", "count", "price", "game")

    def __repr__(self):
        return self.name   "("   str(self.count)   ")"

    def __str__(self):
        return self.name   ", "   str(self.count)   ", $"   str(self.price)

class Render(QWebPage):  
    def __init__(self, url):
        self.app = QApplication(sys.argv)
        QWebPage.__init__(self)
        self.loadFinished.connect(self._loadFinished)
        self.mainFrame().load(QUrl(url))
        self.app.exec_()

    def _loadFinished(self, result):
        self.frame = self.mainFrame()
        self.app.quit()
        self.deleteLater()

def getItemsFromPage(appid, page=1):

    r = Render("http://steamcommunity.com/market/search?q=appid:"   str(appid)   "#p"   str(page))

    soup = BeautifulSoup(str(r.frame.toHtml().toUtf8()))

    itemLst = soup.find_all("div", "market_listing_row market_recent_listing_row")

    items = []

    for k in itemLst:
        i = Item()

        i.name = k.find("span", "market_listing_item_name").string
        i.count = int(replace(k.find("span", "market_listing_num_listings_qty").string, ",", ""))
        i.price = float(re.search(r'$([0-9] .[0-9] )', str(k)).group(1))
        i.game = appid

        items.append(i)

    return items

if __name__ == "__main__":

    print "Updating market items to dota2.csv ..."

    i = 1

    with open("dota2.csv", "w") as f:
        writer = csv.writer(f)

        r = None

        while True:
            print "Page "   str(i)

            items = getItemsFromPage(570)

            if len(items) == 0:
                print "No items found, stopping..."
                break

            for k in items:
                writer.writerow((k.name, k.count, k.price, k.game))

            i  = 1

    print "Done."
  

Вызов getItemsFromPage один раз работает нормально. Последующие вызовы выдают мою проблему. Вывод программы обычно

 Updating market items to dota2.csv ...
Page 1
Page 2
  

и затем он выходит из строя. Это должно продолжаться более 700 страниц.

Проблема с вашей программой заключается в том, что вы пытаетесь создать новое QApplication с каждым полученным вами URL-адресом.

Вместо этого должны быть созданы только одно QApplication и одна веб-страница. Веб-страница может использовать свой loadFinished сигнал для создания внутреннего цикла путем извлечения нового URL-адреса после обработки каждого из них. Пользовательскую обработку HTML можно добавить, подключив определенный пользователем слот к сигналу, который выдает текст html и URL, когда они становятся доступными. Приведенные ниже сценарии (для PyQt5 и PyQt4) показывают, как это реализовать.

Вот несколько примеров, которые показывают, как использовать класс WebPage:

Использование:

 def my_html_processor(html, url):
    print('loaded: [%d chars] %s' % (len(html), url))

import sys
app = QApplication(sys.argv)
webpage = WebPage(verbose=False)
webpage.htmlReady.connect(my_html_processor)

# example 1: process list of urls

urls = ['https://en.wikipedia.org/wiki/Special:Random'] * 3
print('Processing list of urls...')
webpage.process(urls)

# example 2: process one url continuously
#
# import signal, itertools
# signal.signal(signal.SIGINT, signal.SIG_DFL)
#
# print('Processing url continuously...')
# print('Press Ctrl C to quit')
#
# url = 'https://en.wikipedia.org/wiki/Special:Random'
# webpage.process(itertools.repeat(url))

sys.exit(app.exec_())
  

Веб-страница PyQt5:

 from PyQt5.QtCore import pyqtSignal, QUrl
from PyQt5.QtWidgets import QApplication
from PyQt5.QtWebEngineWidgets import QWebEnginePage

class WebPage(QWebEnginePage):
    htmlReady = pyqtSignal(str, str)

    def __init__(self, verbose=False):
        super().__init__()
        self._verbose = verbose
        self.loadFinished.connect(self.handleLoadFinished)

    def process(self, urls):
        self._urls = iter(urls)
        self.fetchNext()

    def fetchNext(self):
        try:
            url = next(self._urls)
        except StopIteration:
            return False
        else:
            self.load(QUrl(url))
        return True

    def processCurrentPage(self, html):
        self.htmlReady.emit(html, self.url().toString())
        if not self.fetchNext():
            QApplication.instance().quit()

    def handleLoadFinished(self):
        self.toHtml(self.processCurrentPage)

    def javaScriptConsoleMessage(self, *args, **kwargs):
        if self._verbose:
            super().javaScriptConsoleMessage(*args, **kwargs)
  

Веб-страница PyQt4:

 from PyQt4.QtCore import pyqtSignal, QUrl
from PyQt4.QtGui import QApplication
from PyQt4.QtWebKit import QWebPage

class WebPage(QWebPage):
    htmlReady = pyqtSignal(str, str)

    def __init__(self, verbose=False):
        super(WebPage, self).__init__()
        self._verbose = verbose
        self.mainFrame().loadFinished.connect(self.handleLoadFinished)

    def start(self, urls):
        self._urls = iter(urls)
        self.fetchNext()

    def fetchNext(self):
        try:
            url = next(self._urls)
        except StopIteration:
            return False
        else:
            self.mainFrame().load(QUrl(url))
        return True

    def processCurrentPage(self):
        self.htmlReady.emit(
            self.mainFrame().toHtml(), self.mainFrame().url().toString())
        print('loaded: [%d bytes] %s' % (self.bytesReceived(), url))

    def handleLoadFinished(self):
        self.processCurrentPage()
        if not self.fetchNext():
            QApplication.instance().quit()

    def javaScriptConsoleMessage(self, *args, **kwargs):
        if self._verbose:
            super(WebPage, self).javaScriptConsoleMessage(*args, **kwargs)