抽象问题:我有一个大约有 250,000 个节点的图,平均连接数约为 10。查找一个节点的连接需要很长时间(假设是 10 秒)。将节点保存到数据库中也需要大约 10 秒。我可以快速检查节点是否已经存在于数据库中。允许并发但不超过 10 个长请求,如何遍历图以尽快获得最高的覆盖率。
具体问题:我正在尝试爬取网站用户页面。为了发现新用户,我从已知用户中获取朋友列表。我已经导入了大约 10% 的图,但我一直陷入循环或使用太多内存来记住太多节点。
我的当前实现:
def run() :
import_pool = ThreadPool(10)
user_pool = ThreadPool(1)
do_user("arcaneCoder", import_pool, user_pool)
def do_user(user, import_pool, user_pool) :
id = user
alias = models.Alias.get(id)
# if its been updates in the last 7 days
if alias and alias.modified + datetime.timedelta(days=7) > datetime.datetime.now() :
sys.stderr.write("Skipping: %s\n" % user)
else :
sys.stderr.write("Importing: %s\n" % user)
while import_pool.num_jobs() > 20 :
print "Too many queued jobs, sleeping"
time.sleep(15)
import_pool.add_job(alias_view.import_id, [id], lambda rv : sys.stderr.write("Done Importing %s\n" % user))
sys.stderr.write("Crawling: %s\n" % user)
users = crawl(id, 5)
if len(users) >= 2 :
for user in random.sample(users, 2) :
if (user_pool.num_jobs() < 100) :
user_pool.add_job(do_user, [user, import_pool, user_pool])
def crawl(id, limit=50) :
'''returns the first 'limit' friends of a user'''
*not relevant*
当前实现存在的问题:
- 会卡在已经导入的小团体中,浪费时间并使导入的线程空闲。
- 随着问题被指出,可能会添加更多。
因此,对于较小的改进以及全面的重写,我们表示欢迎。谢谢!