python爬虫项目设置一个中断重连的程序的实现

Python  /  管理员 发布于 7年前   343

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 osdef 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_linedef 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。