python爬虫网络中断_python爬虫项目设置一个中断重连的程序的实现

做爬虫项目时，我们需要考虑一个爬虫在爬取时会遇到各种情况（网站验证，ip封禁），导致爬虫程序中断，这时我们已经爬取过一些数据，再次爬取时这些数据就可以忽略，所以我们需要在爬虫项目中设置一个中断重连的功能，使其在重新运行时从之前断掉的位置重新爬取数据。

实现该功能有很多种做法，我自己就有好几种思路，但是真要自己写出来就要费很大的功夫，下面我就把自己好不容易拼凑出来的代码展示出来吧。

首先是来介绍代码的思路：

将要爬取的网站连接存在一个数组new_urls中，爬取一个网址就将它移入另一个数组old_urls中，爬取网站时，就看它是在哪一个数组中，然后再决定要不要爬取。

下面展示代码（从别处抄的）：

class UrlManager(object):

def __init__(self): #定义两个数组

self.new_urls=set()

self.old_urls=set()

def add_new_url(self, url): #将一个url加入到new_urls数组中

if url is None:

return

if url not in self.new_urls and url not in self.old_urls:

self.new_urls.add(url)

def add_new_urls(self, urls): #将多个url加入到new_urls数组中

if urls is None or len(urls)==0:

return

for url in urls :

self.add_new_url(url)

def has_new_url(self): #判断url是否为空

return len(self.new_urls)!=0

def get_new_url(self):

#list.pop()默认移除列表中最后一个元素对象

new_url=self.new_urls.pop()

self.old_urls.add(new_url)

return new_url

这个类实现了中断重连的基本功能，但是当我们要爬取的网址非常的，那这就对我们电脑的内存要求非常大，所以我们要将数组保存到文档中，增加一个从文档中提取网址的过程。

下面看代码：

class UrlManager(object):

def __init__(self): #建立两个数组的文件

with open('new_urls.txt','r+') as new_urls:

self.new_urls = new_urls.read()

with open('old_urls.txt','r+') as old_urls:

self.old_urls = old_urls.read()

def add_new_url(self, url): #添加url到new_ulrs文件中

if url is None:

return

if url not in self.new_urls and url not in self.old_urls:

with open('new_urls.txt', 'a') as new_urls:

new_urls.write(url)

else:

print('url had done')

def add_new_urls(self, urls): #添加多个url到new_ulrs文件中

# if urls is None or (len(url) == 0 for url in urls):

if urls is None:

print('url is none')

return

for url in urls:

if urls is None:

print('url is none')

return

else:

self.add_new_url(url)

def has_new_url(self):

return len(self.new_urls) != 0

def get_new_url(self):

new_url = get_last_line('new_urls.txt') #读取new_urls文件中最后一个url

del_last_url('new_urls.txt',new_url) #删除new_urls文件中最后一个url

add_old_urls('old_urls.txt',new_url) #将读取出来的url添加入old_urls数组中

return new_url

其中的get_last_line()函数有些复杂，这也是我卡时间最长的一块，

import os

def get_last_line(inputfile):

filesize = os.path.getsize(inputfile)

blocksize = 1024

dat_file = open(inputfile, 'rb')

last_line = b""

lines = []

if filesize > blocksize:

maxseekpoint = (filesize // blocksize) # 这里的除法取的是floor

maxseekpoint -= 1

dat_file.seek(maxseekpoint * blocksize)

lines = dat_file.readlines()

while ((len(lines) < 2) | ((len(lines) >= 2) & (lines[1] == b'\r\n'))): # 因为在Windows下，所以是b'\r\n'

# 如果列表长度小于2，或者虽然长度大于等于2，但第二个元素却还是空行

# 如果跳出循环，那么lines长度大于等于2，且第二个元素肯定是完整的行

maxseekpoint -= 1

dat_file.seek(maxseekpoint * blocksize)

lines = dat_file.readlines()

elif filesize: # 文件大小不为空

dat_file.seek(0, 0)

lines = dat_file.readlines()

if lines: # 列表不为空

for i in range(len(lines) - 1, -1, -1):

last_line = lines[i].strip()

if (last_line != b''):

break # 已经找到最后一个不是空行的

dat_file.close()

return last_line

def del_last_url(fname,part):

with open(fname,'rb+') as f:

a = f.read()

a = a.replace(part,b'')

with open(fname,'wb+') as f:

f.write(a)

def add_old_urls(fname,new_url):

line = new_url + b'\r'

with open(fname,'ab') as f:

f.write(line)

好了，爬虫的中断重连的功能就实现了，下面要做的就是将该功能接入爬虫项目中，比较简单。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

python爬虫网络中断_python爬虫项目设置一个中断重连的程序的实现相关推荐

python爬虫开发环境_python爬虫开发教程下载|Python爬虫开发与项目实战(范传辉著)pdf 完整版_ - 极光下载站...
Python爬虫开发与项目实战pdf扫描版下载.Python爬虫开发是一个Pthyon编程语言与HTML基础知识引领读者入门知识,重点讲述了云计算的相关内容及其在爬虫中的应用,进而介绍如何设计自己的爬 ...
python爬虫的用途_python爬虫用途
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 专业点来说就是应用多台机器同时实现爬虫任务,这多台机器上的爬虫,就是称作分布式爬 ...
python基金预测分析_Python爬虫抓取基金数据分析、预测系统设计与实现
版权声明:本文为博主原创文章,如果转载请给出原文链接:http://doofuu.com/article/4156231.html 目前在开发一款基于Python的基金爬取.分析.预测系统,目前已经开 ...
python爬虫面试问题_Python爬虫面试总结
## Python爬虫面试总结 1. 写一个邮箱地址的正则表达式? [A-Za-z0-9\u4e00-\u9fa5]+@[a-zA-Z0-9_-]+(\.[a-zA-Z0-9_-]+)+$ 2. 谈 ...
origin和python有什么不同_python爬虫之git的使用（origin说明）
1.首先我们回忆两个命令 #git remote add origin 远程仓库链接 #git push -u origin master 我们一起看看这个命令,git是git的一级命令,push就是 ...
python爬虫超时重试_python爬虫怎么处理异常和超时？
该楼层疑似违规已被系统折叠隐藏此楼查看此楼写代码总是会出异常的,尤其是爬虫这类程序,无法确保每次请求都能稳定地返回统一的结果,比如反爬虫策略提升.代理IP超时.程序异常等等,处理好这些问题,才能保 ...
python爬虫防屏蔽_python爬虫程序如何预防被限制
有一些网站不喜欢被爬虫程序访问,所以会检测连接对象,如果是爬虫程序,也就是非人点击访问,它就会不让你继续访问,所以为了要让程序可以正常运行,需要隐藏自己的爬虫程序的身份.此时,我们就可以通过设置Use ...
python获取网站代码_python爬虫1——获取网站源代码(豆瓣图书top250信息)
# -*- coding: utf-8 -*- import requests import re import sys reload(sys) sys.setdefaultencoding('utf ...
python爬虫文献综述_Python爬虫入门（1）：综述
首先爬虫是什么?网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本. 根据我的经验,要学习Python爬虫, ...

python爬虫网络中断_python爬虫项目设置一个中断重连的程序的实现

python爬虫网络中断_python爬虫项目设置一个中断重连的程序的实现相关推荐

最新文章

热门文章