怎么学网站开发,医院网站建设招标公告,国外有哪些网站做推广的比较好,做景观园林的网站是有一个项目需求#xff0c;要在每天凌晨5点的时候执行一个任务#xff0c;获取一系列的PDF文件并解析。
后端是Django框架#xff0c;定时任务用Celery来实现的。
本地跑没什么问题#xff0c;但是一放到服务器上跑就会宕机#xff0c;而且是毫无征兆的宕机#xff0c;…有一个项目需求要在每天凌晨5点的时候执行一个任务获取一系列的PDF文件并解析。
后端是Django框架定时任务用Celery来实现的。
本地跑没什么问题但是一放到服务器上跑就会宕机而且是毫无征兆的宕机至少在宝塔面板上看到的宕机前的负载、CPU使用率和内存占用率还是正常的。
一开始以为是Celery的问题但是排查了很久都没发现有啥问题尤其是这个脚本在本地是可以跑的。
于是我就不通过Celery手动执行了一下这个脚本通过逐行打印的方式定位到了问题函数。 def process_pdf(self):for i in range(len(self.pdf.pages)):print(f正在处理第 {i} 页……)page self.pdf.pages[i]self.extract_text_and_tables(page)这个函数就是遍历PDF的每一页然后提取这一页的文本和表格。
在执行这个函数的过程中通过 htop 命令实时观察内存占用发现随着处理的页面越来越多占用的内存也越来越多直到服务器完全卡住宕机了。 所以问题就很明显了服务器的资源不够内存占满了所以才导致了宕机。
我是通过 pdfplumber 加载的 PDF 文件所以自然而然的去 pdfplumber 的 GitHub 上看看有没有人遇到类似的问题果然找到了一个。
Memory issues on very large PDFs
其中提到了一些方法综合了一下修改代码如下。 def process_pdf(self):for i in range(len(self.pdf.pages)):print(f正在处理第 {i} 页……)page self.pdf.pages[i]self.extract_text_and_tables(page)# 清理缓存避免内存泄漏# https://github.com/jsvine/pdfplumber/issues/193del page._objectsdel page._layoutpage.flush_cache()gc.collect()问题解决 其实一开始也想到了可能是机器资源不行毕竟是比较低配的机器还抱怨过要是有钱买服务器就好了。
但是发现问题并解决问题之后更多的其实是有一些羞愧自己还是太菜了代码有漏洞。
再想想当年阿波罗登月的时候计算机内存只有几十 KB就这样人家都能上月球现在服务器内存都 2G 了还不知足。
菜就多练今天这次之后处理这种大文件就记得要关注内存泄漏的问题了。
