Executando o script com o Cygwin no Windows XP com Dual Core e Ram de 4 GB
cat url_list.txt | xargs -P50 wget -i
Estou tentando percorrer 4 GB de URL para baixar (aproximadamente 43 milhões)
Funciona bem durante a primeira hora, depois o shell Bash e os downloads param mesmo que sejam apenas 2% através da lista de URLs.
Alguma idéia do que poderia estar errado?
Qual é a melhor maneira de depurar porque isso está parando depois de uma hora?
Respostas:
É possível que o wget esteja demorando para baixar alguns dos arquivos. Há algum processo wget / xargs na memória durante o período em que parece estar suspenso? Em caso afirmativo, são os 50 processos completos que você alocou com o sinalizador -P50 para xargs ou, de alguma forma, aumentaram esse número ou menos do que esse número e nenhuma nova instância está sendo gerada corretamente? Embora esteja sendo executado no cygwin, observe a lista de processos no próprio Windows, pois cada download do wget deve iniciar uma instância no gerenciador de tarefas.
Eu suponho que as URLs são para sites diferentes. Nesse caso, você pode acessar sites que demoram a responder e que interrompem um de seus alertas. Como você tem 50 em execução, precisará atingir 50 desses sites antes que nada aconteça.
Para ver se este é o caso, tente matar um dos pendentes e veja se ele está solto.
Para ignorar os URLs que são interrompidos, você pode conceder um tempo limite ao wget:
wget -T 60