Python爬虫框架之异常处理
任何访问服务器获取数据的请求，都需要做异常处理，当然爬虫更需要我们对各种异常进行处理。只有这样才能提高爬虫的健壮性。如果我们的爬虫足够健壮，那么就能确保程序几个月不停止。
我们从以下几个方面做出讲解：
一：try except处理异常代码块
二：普通请求函数的超时处理
三：selenium+chrome | phantomjs 的超时处理
四：自定义函数的死锁or超时处理
五：自定义线程的死锁or超时处理
六：自重启的程序设计
一：基础try except异常处理
try except的语句可以让我们的程序跳过代码中可能出现的异常
try:
pass http://code.py40.com/deliver-article/#
#可能出错的语句
except Exception as e:
pass
#保留错误的url，留待下次重跑
print(e)
finally:
#无论是否处理了异常都继续运行
print(time.ctime())
1
2
3
4
5
6
7
8
9
10
try:
passhttp://code.py40.com/deliver-article/#
#可能出错的语句
exceptExceptionase:
pass
#保留错误的url，留待下次重跑
print(e)
finally:
#无论是否处理了异常都继续运行
print(time.ctime())
二：请求函数的超时处理
2.1:普通请求：
2.1.1单请求类型：
import requests
requests.get(url,timeout=60)
1
2
importrequests
requests.get(url,timeout=60)
2.1.2会话保持类型：
import requesocks
session = requesocks.session()
response = session.get(URL,headers=headers,timeout=10)
1
2
3
importrequesocks
session=requesocks.session()
response=session.get(URL,headers=headers,timeout=10)
三：selenium+chrome | phantomjs 的超时处理
2.2.1：selenium+chrome的超时设置
官网原文：http://selenium-python.readthedocs.io/waits.html
显式等待：、等待某个条件发生，然后再继续进行代码。
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element = WebDriverWait(driver, 10).until( #这里修改时间
EC.presence_of_element_located((By.ID, "myDynamicElement"))
)
finally:
driver.quit()
1
2
3
4
5
6
7
8
9
10
11
12
13
fromseleniumimportwebdriver
fromselenium.webdriver.common.byimportBy
fromselenium.webdriver.support.uiimportWebDriverWait
fromselenium.webdriver.supportimportexpected_conditionsasEC
driver=webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element=WebDriverWait(driver,10).until(#这里修改时间
EC.presence_of_element_located((By.ID,"myDynamicElement"))
)
finally:
driver.quit()
隐式等待：是告诉WebDriver在尝试查找一个或多个元素（如果它们不是立即可用的）时轮询DOM一定时间。默认设置为0，一旦设置，将为WebDriver对象实例的生命期设置隐式等待。
from selenium import webdriver
driver = webdriver.Firefox()
driver.implicitly_wait(10) # seconds
driver.get("http://somedomain/url_that_delays_loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")
1
2
3
4
5
6
fromseleniumimportwebdriver
driver=webdriver.Firefox()
driver.implicitly_wait(10)# seconds
driver.get("http://somedomain/url_that_delays_loading")
myDynamicElement=driver.find_element_by_id("myDynamicElement")
2.2.2：phantomjs的超时设置
这里使用不带selenium的phantomjs，需要使用js。主要设置语句是
#JavaScript
page.settings.resourceTimeout = 5000; // 等待5秒
var system = require('system');
var args = system.args;
var url = args[1];
var page = require('webpage').create();
page.settings.resourceTimeout = 5000; // 等待5秒
page.onResourceTimeout = function(e) {
console.log(e.errorCode); //打印错误码
console.log(e.errorString);//打印错误语句
console.log(e.url); //打印错误url
phantom.exit(1);
};
page.open(url, function(status) {
if(status==='success'){
var html=page.evaluate(function(){
returndocument.documentElement.outerHTML;
});
console.log(html);
}
phantom.exit();
});
//$phantomjs xx.js http://bbs.pcbaby.com.cn/topic-2149414.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
#JavaScript
page.settings.resourceTimeout=5000;//等待5秒
varsystem=require('system');
varargs=system.args;
varurl=args[1];
varpage=require('webpage').create();
page.settings.resourceTimeout=5000;//等待5秒
page.onResourceTimeout=function(e){
console.log(e.errorCode); //打印错误码
console.log(e.errorString);//打印错误语句
console.log(e.url); //打印错误url
phantom.exit(1);
};
page.open(url,function(status){
if(status==='success'){
varhtml=page.evaluate(function(){
returndocument.documentElement.outerHTML;
});
console.log(html);
}
phantom.exit();
});
//$phantomjsxx.jshttp://bbs.pcbaby.com.cn/topic-2149414.html
四：自定义函数的死锁or超时处理
这个非常重要！！
python是顺序执行的，但是如果下一句话可能导致死锁（比如一个while（1））那么如何强制让他超时呢？他本身如果没有带有超时设置的话，就要自己运行信号（import signal）来处理
#coding:utf-8
import time
import signal
def test(i):
time.sleep(0.999)#模拟超时的情况
print "%d within time"%(i)
return i
def fuc_time(time_out):
# 此为函数超时控制，替换下面的test函数为可能出现未知错误死锁的函数
def handler(signum, frame):
raise AssertionError
try:
signal.signal(signal.SIGALRM, handler)
signal.alarm(time_out)#time_out为超时时间
temp = test(1) #函数设置部分，如果未超时则正常返回数据，
return temp
except AssertionError:
print("%d timeout"%(i))# 超时则报错
if __name__ == '__main__':
for i in range(1,10):
fuc_time(1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
#coding:utf-8
importtime
importsignal
deftest(i):
time.sleep(0.999)#模拟超时的情况
print"%d within time"%(i)
returni
deffuc_time(time_out):
# 此为函数超时控制，替换下面的test函数为可能出现未知错误死锁的函数
defhandler(signum,frame):
raiseAssertionError
try:
signal.signal(signal.SIGALRM,handler)
signal.alarm(time_out)#time_out为超时时间
temp=test(1)#函数设置部分，如果未超时则正常返回数据，
returntemp
exceptAssertionError:
print("%d timeout"%(i))# 超时则报错
if__name__=='__main__':
foriinrange(1,10):
fuc_time(1)
五：自定义线程的死锁or超时处理
在某个程序中一方面不适合使用selenium+phantomjs的方式（要实现的功能比较难不适合）因为只能用原生的phantomjs，但是这个问题他本身在极端情况下也有可能停止（在超时设置之前因为某些错误）
那么最佳方案就是用python单独开一个线程（进程）调用原生phantomjs，然后对这个线程进程进行超时控制。
这里用ping这个命令先做测试，
import subprocess
from threading import Timer
import time
kill = lambda process: process.kill()
cmd = ["ping", "www.google.com"]
ping = subprocess.Popen(
cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
my_timer = Timer(5, kill, [ping])#这里设定时间，和命令
try:
my_timer.start()#启用
stdout, stderr = ping.communicate()#获得输出
#print stderr
print(time.ctime())
finally:
print(time.ctime())
my_timer.cancel()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
importsubprocess
fromthreadingimportTimer
importtime
kill=lambdaprocess:process.kill()
cmd=["ping","www.google.com"]
ping=subprocess.Popen(
cmd,stdout=subprocess.PIPE,stderr=subprocess.PIPE)
my_timer=Timer(5,kill,[ping])#这里设定时间，和命令
try:
my_timer.start()#启用
stdout,stderr=ping.communicate()#获得输出
#print stderr
print(time.ctime())
finally:
print(time.ctime())
my_timer.cancel()
六：程序自动重启
比如我们的程序在某种情况下报错多次，那么当满足条件后，让其重启即可解决大多数问题，当然这只不过是治标不治本而已，如果这个程序重启没有大问题（例如读队列类型）那么自重启这是最省力的方式之一。
import time
import sys
import os
def restart_program():
python = sys.executable
os.execl(python, python, * sys.argv)
if __name__ == "__main__":
print 'start...'
print u"3秒后,程序将结束...".encode("utf8")
time.sleep(3)
restart_program()
1
2
3
4
5
6
7
8
9
10
11
12
importtime
importsys
importos
defrestart_program():
python=sys.executable
os.execl(python,python,*sys.argv)
if__name__=="__main__":
print'start...'
printu"3秒后,程序将结束...".encode("utf8")
time.sleep(3)
restart_program()
)
)
