python爬蟲項目設(shè)置一個中斷重連的程序的實現(xiàn)

更新時間：2019年07月26日 10:43:47 作者：匡虐

這篇文章主要介紹了python爬蟲項目設(shè)置一個中斷重連的程序的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

做爬蟲項目時，我們需要考慮一個爬蟲在爬取時會遇到各種情況（網(wǎng)站驗證，ip封禁），導致爬蟲程序中斷，這時我們已經(jīng)爬取過一些數(shù)據(jù)，再次爬取時這些數(shù)據(jù)就可以忽略，所以我們需要在爬蟲項目中設(shè)置一個中斷重連的功能，使其在重新運行時從之前斷掉的位置重新爬取數(shù)據(jù)。

實現(xiàn)該功能有很多種做法，我自己就有好幾種思路，但是真要自己寫出來就要費很大的功夫，下面我就把自己好不容易拼湊出來的代碼展示出來吧。

首先是來介紹代碼的思路：

將要爬取的網(wǎng)站連接存在一個數(shù)組new_urls中，爬取一個網(wǎng)址就將它移入另一個數(shù)組old_urls中，爬取網(wǎng)站時，就看它是在哪一個數(shù)組中，然后再決定要不要爬取。

下面展示代碼（從別處抄的）：

class UrlManager(object):
  def __init__(self):  #定義兩個數(shù)組
    self.new_urls=set()
    self.old_urls=set()

  def add_new_url(self, url): #將一個url加入到new_urls數(shù)組中
    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): #將多個url加入到new_urls數(shù)組中
    if urls is None or len(urls)==0:
      return
    for url in urls :
      self.add_new_url(url)

  def has_new_url(self):  #判斷url是否為空
    return len(self.new_urls)!=0

  def get_new_url(self):
    #list.pop()默認移除列表中最后一個元素對象
    new_url=self.new_urls.pop()
    self.old_urls.add(new_url)
    return new_url

這個類實現(xiàn)了中斷重連的基本功能，但是當我們要爬取的網(wǎng)址非常的，那這就對我們電腦的內(nèi)存要求非常大，所以我們要將數(shù)組保存到文檔中，增加一個從文檔中提取網(wǎng)址的過程。

下面看代碼：

class UrlManager(object):
  def __init__(self):   #建立兩個數(shù)組的文件
    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):  #添加多個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')  #讀取new_urls文件中最后一個url
    del_last_url('new_urls.txt',new_url) #刪除new_urls文件中最后一個url
    add_old_urls('old_urls.txt',new_url) #將讀取出來的url添加入old_urls數(shù)組中
    return new_url

其中的get_last_line()函數(shù)有些復雜，這也是我卡時間最長的一塊，

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) # 這里的除法取的是floor
    maxseekpoint -= 1
    dat_file.seek(maxseekpoint * blocksize)
    lines = dat_file.readlines()
    while ((len(lines) < 2) | ((len(lines) >= 2) & (lines[1] == b'\r\n'))): # 因為在Windows下，所以是b'\r\n'
      # 如果列表長度小于2，或者雖然長度大于等于2，但第二個元素卻還是空行
      # 如果跳出循環(huán)，那么lines長度大于等于2，且第二個元素肯定是完整的行
      maxseekpoint -= 1
      dat_file.seek(maxseekpoint * blocksize)
      lines = dat_file.readlines()
  elif filesize: # 文件大小不為空
    dat_file.seek(0, 0)
    lines = dat_file.readlines()
  if lines: # 列表不為空
    for i in range(len(lines) - 1, -1, -1):
      last_line = lines[i].strip()
      if (last_line != b''):
        break # 已經(jīng)找到最后一個不是空行的
  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，爬蟲的中斷重連的功能就實現(xiàn)了，下面要做的就是將該功能接入爬蟲項目中，比較簡單。

以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: