Python爬虫（图片）编写过程中遇到的问题

时间：2015-11-10 01:43:06 阅读：250 评论：0 收藏：0 [点我收藏+]

标签：

　　最近我突然对网络爬虫开窍了，真正做起来的时候发现并不算太难，都怪我以前有点懒，不过近两年编写了一些程序，手感积累了一些肯定也是因素，总之，还是惭愧了。好了，说正题，我把这两天做爬虫的过程中遇到的问题总结一下：

　　需求：做一个爬虫，爬取一个网站上所有的图片（只爬大图，小图标就略过）

　　思路：1、获取网站入口，这个入口网页上有很多图片集合入口，进入这些图片集合就能看到图片链接了，所以爬取的深度为2，比较简单；2、各个子图片集合内所包含的图片链接有两种形式：一种是绝对图片路径（直接下载即可），另一种的相对图片路径（需要自行拼接当前网页路径）。总之这些子图集合的表现形式简单，没有考虑更复杂的情况。3、在爬取的过程中保存已成功爬取的路径，防止每次爬取都执行重复的任务，当然，当每次启动时要首先加载该历史数据库，剩下的就是细节了。

　　快速链接：

2.5 远程主机重置链接（Errno 10054）

一、全部代码

　　直接先来代码，再详细说优化的过程和内容吧：

  1 __author__ = ‘KLH‘
  2 # -*- coding:utf-8 -*-
  3 
  4 import urllib
  5 import urllib2
  6 import chardet
  7 import re
  8 import os
  9 import time
 10 from myLogger import *
 11 
 12 # 网络蜘蛛
 13 class Spider:
 14     
 15     # 类初始化
 16     def __init__(self):
 17         self.contentFolder = u"抓取内容"
 18         self.dbName = "url.db"
 19         self.createFolder(self.contentFolder)
 20         self.urlDB = set()
 21         
 22     # 获取URL数据库以获取爬过的网页地址
 23     def loadDatabase(self):
 24         isExists = os.path.exists(self.dbName)
 25         if not isExists:
 26             logging.info(u"创建URL数据库文件：‘" + self.dbName + u"‘")
 27             f = open(self.dbName, ‘w+‘)
 28             f.write("#Create time: " + time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())) + ‘\n‘)
 29             f.close()
 30             return
 31         db = open(self.dbName, ‘r‘)
 32         for line in db.readlines():
 33             if not line.startswith(‘#‘):
 34                 self.urlDB.add(line.strip(‘\n‘))
 35         db.close()
 36         logging.info(u"URL数据库加载完成！")
 37     
 38     # 追加数据库文件
 39     def writeToDatabase(self, url):
 40         db = open(self.dbName, ‘a‘)
 41         db.write(url + ‘\n‘)
 42         db.close()
 43         
 44     # 处理路径名称中的空格字符    
 45     def getPathName(self, pathName):
 46         newName = ""
 47         subName = pathName.split()
 48         i = 0
 49         while i < len(subName) - 1:
 50             newName = newName + subName[i]
 51             i = i + 1
 52         return newName
 53 
 54     # 获取索引页面的内容
 55     def getPage(self, pageURL, second):
 56         try:
 57             headers = {‘User-agent‘ : ‘Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0‘}         
 58             request = urllib2.Request(pageURL, headers = headers)
 59             response = urllib2.urlopen(request, timeout = second)
 60             data = response.read()
 61             response.close()
 62             return data.decode(‘gbk‘), True
 63         except urllib2.HTTPError,e:    #HTTPError必须排在URLError的前面
 64             logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
 65             return "", False
 66         except urllib2.URLError, e:
 67             logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
 68             return "", False
 69         except Exception, e:
 70             logging.error(u"获取网页失败：" + str(e))
 71             return "", False
 72 
 73     # 获取索引界面所有子页面信息，list格式
 74     def getContents(self, pageURL, second):
 75         contents = []
 76         page, succeed = self.getPage(pageURL, second)
 77         if succeed:
 78             # 这里的正则表达式很重要，决定了第一步的抓取内容：
 79             pattern = re.compile(‘<tr>.*?<a href="(.*?)".*?<b>(.*?)</b>.*?</tr>‘,re.S)
 80             items = re.findall(pattern,page)
 81             for item in items:
 82                 contents.append([item[0],item[1]])    
 83         contents.sort()
 84         return contents
 85    
 86     # 获取页面所有图片
 87     def getAllImgURL(self, infoURL):
 88         images = []
 89         succeed = True
 90         try:
 91             headers = {‘User-agent‘ : ‘Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0‘}         
 92             request = urllib2.Request(infoURL, headers = headers)
 93             data = urllib2.urlopen(request).read()
 94             chardet1 = chardet.detect(data)     # 自动判断网页编码
 95             page = data.decode(str(chardet1[‘encoding‘]))   
 96             
 97             # 第一种解码格式：
 98             pattern = re.compile(‘<option value="(.*?)">(.*?)</option>‘)
 99             items = re.findall(pattern, page)
100             # item[0]为图片URL尾部，item[1]为图片名称
101             for item in items:
102                 if item.startswith(‘http://‘):
103                     imageURL = item[0]
104                     if imageURL in self.urlDB:
105                         logging.info(u"获得图片URL(曾被访问，跳过)：" + imageURL)
106                     else:
107                         logging.info(u"获得图片URL：" + imageURL)
108                         images.append(imageURL)
109                 else:
110                     imageURL = infoURL + item[0]
111                     if imageURL in self.urlDB:
112                         logging.info(u"获得图片URL(曾被访问，跳过)：" + imageURL)
113                     else:
114                         logging.info(u"获得图片URL：" + imageURL)
115                         images.append(imageURL) 
116                     
117             # 第二种解码格式
118             pattern = re.compile(‘<IMG src="(.*?)".*?>‘)
119             items = re.findall(pattern, page)
120             # item为图片URL
121             for item in items:
122                 if item.startswith(‘http://‘):
123                     if item in self.urlDB:
124                         logging.info(u"获得图片URL(曾被访问，跳过)：" + item)
125                     else:
126                         logging.info(u"获得图片URL：" + item)
127                         images.append(item)             
128                 
129         except Exception, e:
130             logging.warning(u"在获取子路径图片列表时出现异常：" + str(e))
131             succeed = False
132         return images, succeed
133 
134     # 保存所有图片
135     def saveImgs(self, images, name):
136         logging.info(u‘发现"‘ + name + u‘"共有‘ + str(len(images)) + u"张照片")
137         allSucceed = True
138         for imageURL in images:
139             splitPath = imageURL.split(‘/‘)
140             fTail = splitPath.pop()
141             fileName = name + "/" + fTail
142             logging.info(u"开始准备保存图片（超时设置：120秒）:" + imageURL)
143             startTime = time.time()
144             succeed = self.saveImg(imageURL, fileName, 120)
145             spanTime = time.time() - startTime
146             if succeed:
147                 logging.info(u"保存图片完成（耗时：" + str(spanTime) + u"秒）:" + fileName)
148                 # 保存文件存储记录
149                 self.urlDB.add(imageURL)
150                 self.writeToDatabase(imageURL)                   
151             else:
152                 logging.warning(u"保存图片失败（耗时:" + str(spanTime) + u"秒）:" + imageURL) 
153                 allSucceed = False
154             # 为了防止网站封杀，这里暂停1秒
155             time.sleep(1)
156         return allSucceed
157 
158     # 传入图片地址，文件名，超时时间，保存单张图片
159     def saveImg(self, imageURL, fileName, second):
160         try:            
161             headers = {‘User-agent‘ : ‘Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0‘}
162             request = urllib2.Request(imageURL, headers = headers)
163             u = urllib2.urlopen(request, timeout = second) 
164             data = u.read()
165             f = open(fileName, ‘wb‘)
166             f.write(data)
167             f.close()
168             u.close()
169             return True
170         except urllib2.HTTPError,e:    #HTTPError必须排在URLError的前面
171             logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
172             return False
173         except urllib2.URLError, e:
174             logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
175             return False
176         except Exception, e:
177             logging.error(u"保存图片失败：" + str(e))
178             return False
179 
180     # 创建新目录
181     def createFolder(self, path):
182         path = path.strip()
183         # 判断路径是否存在
184         isExists=os.path.exists(path)
185         # 判断结果
186         if not isExists:
187             # 如果不存在则创建目录
188             logging.info(u"创建文件夹：‘" + path + u"‘")
189             # 创建目录操作函数
190             os.makedirs(path)
191             return True
192         else:
193             # 如果目录存在则不创建，并提示目录已存在
194             logging.info(u"名为‘" + path + u"‘的文件夹已经存在，跳过")
195             return False
196  
197     # 获取的首页地址
198     def savePageInfo(self, pageURL):
199         logging.info(u"准备获取网页内容（超时设置：60秒）：" + pageURL)
200         contents = self.getContents(pageURL, 60)
201         logging.info(u"网页内容获取完成，子路径个数：" + str(len(contents)))
202         index = 1
203         for item in contents:
204             #（1）item[0]子路径URL, item[1]子路径名称
205             folderURL = item[0]
206             folderName = self.contentFolder + ‘\\‘ + str(index) + "-" + self.getPathName(item[1])
207             self.createFolder(folderName)
208             index = index + 1
209             
210             #（2）判断链接头部合法性和重复性
211             if not folderURL.startswith(‘http://‘):
212                 folderURL = pageURL + folderURL
213             if folderURL in self.urlDB:
214                 logging.info(u‘"‘ + folderName + u‘"的链接地址(已访问，跳过)为：‘ + folderURL)
215                 continue
216             else:
217                 logging.info(u‘"‘ + folderName + u‘"的链接地址为：‘ + folderURL)
218             
219             #（3）获取图片URL列表，成功则保存图片
220             images, succeed = self.getAllImgURL(folderURL)
221             if succeed:
222                 succeed = self.saveImgs(images, folderName)
223                 if succeed:
224                     self.urlDB.add(folderURL)
225                     self.writeToDatabase(folderURL)    
226 
227 # 初始化系统日志存储
228 InitLogger() 
229 # 传入初始网页地址，自动启动爬取图片：
230 spider = Spider()
231 spider.loadDatabase()
232 spider.savePageInfo(‘http://365.tw6000.com/xtu/‘)
233 logging.info(u"全部网页内容爬取完成！程序退出。")

查看全部代码

二、问题历史

　　在上面的代码中有不少的细节是优化解决过的，相关的知识点如下：

2.1 日志系统

　　Python的日志系统是相当的不错，非常的方便，详细的资料可以参考Python官方文档，或者上一篇博文也是提到过的：《Python中的日志管理Logging模块》，应用到我这个爬虫这里的代码就是myLogger.py模块了，用起来很方便：

 1 __author__ = ‘KLH‘
 2 # -*- coding:utf-8 -*-
 3 
 4 import logging
 5 import time
 6 
 7 def InitLogger():
 8     logFileName = ‘log_‘ + time.strftime("%Y%m%d%H%M%S", time.localtime(time.time())) + ‘.txt‘
 9     logging.basicConfig(level=logging.DEBUG,
10                         format=‘[%(asctime)s][%(filename)s:%(lineno)d][%(levelname)s] - %(message)s‘,
11                         filename=logFileName,
12                         filemode=‘w‘)
13     
14     # 定义一个StreamHandler将INFO级别以上的信息打印到控制台
15     console = logging.StreamHandler()
16     console.setLevel(logging.INFO)
17     formatter = logging.Formatter(‘[%(asctime)s][%(filename)s:%(lineno)d][%(levelname)s] - %(message)s‘)
18     console.setFormatter(formatter)
19     logging.getLogger(‘‘).addHandler(console)

查看myLogger.py

　　注意在爬虫的代码执行前调用一下该函数：

from myLogger import *
# 初始化系统日志存储
InitLogger()

　　日志调用和打印的结果如下：

logging.info(u"准备获取网页内容（超时设置：60秒）：" + pageURL)

#打印结果如下：
[2015-11-09 22:35:02,976][spider2.py:182][INFO] - 准备获取网页内容（超时设置：60秒）：http://365.XXXXX.com/xtu/

2.2 记录访问历史

　　这里记录URL的访问历史是为了防止执行重复任务，在内存中保持一个Set就能满足需求，在磁盘上可以简单的保存成一个TXT文件，每个URL保存成一行即可。所以这里是逻辑顺序应该是在初始化时创建一个Set用来保存访问历史，任务执行之前从数据库中加载访问历史，如果是首次运行尚未创建数据库还需要进行一次创建操作。然后就好办了，每次完成一个URL的访问就保存一下访问记录。相关代码如下：

 1 # 类初始化
 2 def __init__(self):
 3     self.contentFolder = u"抓取内容"
 4     self.dbName = "url.db"    　　　　　　　　  # 1、定义数据库文件名
 5     self.createFolder(self.contentFolder)　　 # 2、创建内容存储目录
 6     self.urlDB = set()    　　　　　　　　　　　 # 3、创建内存数据库
 7 
 8 # 获取URL数据库以获取爬过的网页地址
 9 def loadDatabase(self):
10     isExists = os.path.exists(self.dbName)　　# 4、首先判断是否是首次运行，如果数据库文件不存在则创建一下
11     if not isExists:
12         logging.info(u"创建URL数据库文件：‘" + self.dbName + u"‘")
13         f = open(self.dbName, ‘w+‘)
14         f.write("#Create time: " + time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())) + ‘\n‘)
15         f.close()
16         return
17     db = open(self.dbName, ‘r‘)　　　　　　　　 # 5、从磁盘中加载数据库
18     for line in db.readlines():
19         if not line.startswith(‘#‘):
20             self.urlDB.add(line.strip(‘\n‘))
21     db.close()
22     logging.info(u"URL数据库加载完成！")
23 
24 # 追加数据库文件
25 def writeToDatabase(self, url):　　　　　　　　 # 6、在系统运行过程中，如需记录日志，追加日志内容即可
26     db = open(self.dbName, ‘a‘)
27     db.write(url + ‘\n‘)
28     db.close()

　　有了上面的代码，在记录日志过程中就很方便了：

succeed = self.saveImgs(images, folderName)
    if succeed:
        self.urlDB.add(folderURL)
        self.writeToDatabase(folderURL)

2.3 异常处理

　　访问网络资源不可避免的会有很多异常情况，要处理这些异常情况才能稳定运行，Python的异常处理很简单，请参考如下获取网页的代码段：

 1 # 获取索引页面的内容
 2 def getPage(self, pageURL, second):
 3     try:
 4         request = urllib2.Request(pageURL)
 5         response = urllib2.urlopen(request, timeout = second)
 6         data = response.read()
 7         return data.decode(‘gbk‘), True
 8     except urllib2.HTTPError,e:    # HTTPError必须排在URLError的前面
 9         logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
10         return "", False
11     except urllib2.URLError, e:
12         logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
13         return "", False
14     except Exception, e:　　　　　　 # 其他所有类型的异常
15         logging.error(u"获取网页失败：" + str(e))
16         return "", False　　　　　　 # 这里返回两个值方便判断

2.4 网页自动编码判断

　　昨天在爬取网页的过程中突然发现，有的页面居然说编码不能通过utf-8进行解析，我看了看有的网页确实不是utf-8编码的，那怎么办呢？怎么才能自动进行解码？从网上可以搜索到一个Python的开源库很好用，叫做chardet，默认Python2.7是不带的需要下载，比如我下载的是：chardet-2.3.0.tar.gz

　　有了这个压缩包解压出来cahrdet子文件夹拷贝到：C:\Python27\Lib\site-packages目录下即可。下面看看用法实例：

 1 import chardet
 2 
 3 # 获取页面所有图片
 4 def getAllImgURL(self, infoURL):
 5   images = []
 6   succeed = True
 7   try:
 8     data = urllib2.urlopen(infoURL).read()　　# 1、先获取网页内容
 9     chardet1 = chardet.detect(data)     　　　# 2、再调用该模块的方法自动判断网页编码
10     page = data.decode(str(chardet1[‘encoding‘]))   # 3、注意，得到的chardet1是一个字典类似于：{‘confidence‘: 0.98999999999999999, ‘encoding‘: ‘GB2312‘}
11     
12     # 第一种解码格式：
13     pattern = re.compile(‘<option value="(.*?)">(.*?)</option>‘)
14     items = re.findall(pattern, page)
15     # item[0]为图片URL尾部，item[1]为图片名称
16     for item in items:
17       imageURL = infoURL + item[0]
18       if imageURL in self.urlDB:
19         logging.info(u"获得图片URL(曾被访问，跳过)：" + imageURL)
20       else:
21         logging.info(u"获得图片URL：" + imageURL)
22         images.append(imageURL) 
23             
24     # 第二种解码格式
25     pattern = re.compile(‘<IMG src="(.*?)".*?>‘)
26     items = re.findall(pattern, page)
27     # item为图片URL
28     for item in items:
29       if item.startswith(‘http://‘):　　　　# 4、这里也注意一下，在这种网页中相对路径的图片都是插图之类的小图片不需要下载，所以过滤掉了。
30         if item in self.urlDB:
31             logging.info(u"获得图片URL(曾被访问，跳过)：" + item)
32         else:
33           logging.info(u"获得图片URL：" + item)
34           images.append(item)             
35           
36   except Exception, e:
37     logging.warning(u"在获取子路径图片列表时出现异常：" + str(e))
38     succeed = False
39   return images, succeed

2.5 远程主机重置链接（Errno 10054）

　　在今天的爬取过程中我发现了一个问题，爬到后面的内容都出错了，错误信息参见如下：

[2015-11-09 23:48:51,082][spider2.py:130][INFO] - 开始准备保存图片（超时设置：300秒）:http://xz1.XXXX.com/st/st-06/images/009.jpg
[2015-11-09 23:48:55,095][spider2.py:160][ERROR] - 保存图片失败：[Errno 10054] 
[2015-11-09 23:48:55,096][spider2.py:140][WARNING] - 保存图片失败（耗时:4.01399993896秒）:http://xz1.XXXX.com/st/st-06/images/009.jpg
[2015-11-09 23:48:55,098][spider2.py:130][INFO] - 开始准备保存图片（超时设置：300秒）:http://xz1.XXXX.com/st/st-06/images/010.jpg
[2015-11-09 23:48:56,576][spider2.py:160][ERROR] - 保存图片失败：[Errno 10054] 
[2015-11-09 23:48:56,578][spider2.py:140][WARNING] - 保存图片失败（耗时:1.48000001907秒）:http://xz1.XXXX.com/st/st-06/images/010.jpg

　　可以看到都在报这个错误代码，网上一查，发现有很多同学已经遇到过了，请参考知乎上的讨论：http://www.zhihu.com/question/27248551

　　从网上讨论的结果来看，可以肯定的是直接原因在于“远程主机主动关闭了当前链接”，而根本原因则在于：网站启用了反爬虫的策略，也就是说我的爬虫爬的过快并且被发现不是真正的浏览器浏览了。怎么办了？针对这两个原因逐个处理，一是伪装成浏览器，二是不要访问的过快，三是每次访问完成都关闭链接。相关代码如下：

 1 # 传入图片地址，文件名，超时时间，保存单张图片
 2 def saveImg(self, imageURL, fileName, second):
 3   try:            
 4     headers = {‘User-agent‘ : ‘Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0‘}　　# 1、这里构造一个浏览器的头部
 5     request = urllib2.Request(imageURL, headers = headers)
 6     u = urllib2.urlopen(request, timeout = second) 　　　　# 2、这里的超时设置timeout不要太长
 7     data = u.read()
 8     f = open(fileName, ‘wb‘)
 9     f.write(data)
10     f.close()
11     u.close()　　　　# 3、注意这里的链接要主动调用一下关闭
12     return True
13   except urllib2.HTTPError,e:    #HTTPError必须排在URLError的前面
14     logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
15     return False
16   except urllib2.URLError, e:
17     logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
18     return False
19   except Exception, e:
20     logging.error(u"保存图片失败：" + str(e))
21     return False　　# 4、注意调用完这个函数之后再time.sleep(1)一下，防止过快访问被发现了，呵呵

Python爬虫（图片）编写过程中遇到的问题

标签：

原文地址：http://www.cnblogs.com/kuliuheng/p/4951740.html

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行