如何修复Python爬虫在遇到无限滚动页面时出现的内存持续增长问题?

老宇小哥_9064

老宇小哥_9064

2026-07-20

478人浏览

原创

无限滚动页面导致爬虫内存暴涨的根本原因是DOM节点累积、JavaScript上下文未释放及网络响应对象滞留。需避免保留ElementHandle、及时清空DOM、限制滚动次数、禁用非必要资源加载并主动关闭页面。

如何修复python爬虫在遇到无限滚动页面时出现的内存持续增长问题?

为什么无限滚动页面会让爬虫内存暴涨

根本原因是爬虫在模拟滚动时不断累积 DOM 节点、JavaScript 上下文和未释放的网络响应对象。特别是用 selenium 或 playwright 时,每轮 page.evaluate() 或 driver.execute_script() 都可能触发新节点挂载,而旧节点若没被显式清理或页面未触发垃圾回收,就会滞留在内存中。更隐蔽的是,某些站点的无限滚动逻辑会持续监听 scroll 事件并注册新回调,导致闭包引用链无法释放。

用 page.evaluate() 获取内容后立即丢弃 DOM 引用

Playwright 用户常犯的错误是把整个 document.querySelectorAll() 结果存成 Python 列表,这会让 Playwright 后台保持对所有匹配元素的句柄引用,阻止浏览器端 GC。正确做法是只提取需要的文本或属性,不保留 ElementHandle。

  • ❌ 错误: elements = page.evaluate("() => Array.from(document.querySelectorAll('.item'))")(返回的是序列化后的数组,看似安全,但若节点含大量嵌套 HTML,JSON 序列化本身也吃内存)
  • ✅ 正确: items = page.evaluate("() => Array.from(document.querySelectorAll('.item')).map(el => ({ title: el.querySelector('h3')?.textContent, link: el.querySelector('a')?.href }))")
  • 执行完立刻用 page.evaluate("() => { while (document.body.firstChild) document.body.removeChild(document.body.firstChild); }") 清空临时插入的占位节点(如有)

限制滚动次数 + 主动终止无新增数据的加载循环

靠“滚动到底部”这种模糊条件极易陷入死循环——有些页面底部永远有“加载中”占位符,或接口返回空数组却不更新状态。必须引入明确的退出机制。

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • 记录每次滚动后新增的条目数,连续 2–3 次返回 0 条时 break
  • 设置硬性上限:比如最多滚动 20 次,或总耗时超 60 秒就 page.close()
  • 检查网络请求是否真正完成:用 page.wait_for_response() 监听分页接口,超时则中断,避免等待一个永不返回的请求拖住整个上下文

关闭自动缓存与禁用图片/字体加载(Playwright/Selenium)

默认情况下,浏览器会缓存已加载资源并在内存中保留下载的图片、字体二进制数据,对长时间运行的滚动爬虫来说,这部分可能占到数百 MB。这不是 JS 内存泄漏,而是浏览器进程自身的资源堆积。

  • Playwright:启动时加 args=["--disable-images", "--disable-fonts"],或用 context.set_extra_http_headers({"Accept": "text/html"}) 减少响应体积
  • Selenium:配置 options.add_argument("--blink-settings=imagesEnabled=false"),并设置 profile.set_preference("permissions.default.image", 2)
  • 关键动作:每次滚动前调用 page.clear_cache()(Playwright 1.40+ 支持)或手动 page.goto("about:blank", wait_until="commit") 触发页面重置

内存持续增长问题往往不是单点 bug,而是 DOM 持有、资源缓存、事件监听器残留三者叠加的结果。最容易被忽略的是:你以为已经“取完数据”,但浏览器仍在后台解析未渲染的节点或预加载下一屏资源——这时候关掉页面比等它自己回收更可靠。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1991

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5684

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34897

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程