python异常数据处理_Python爬虫提高之异常处理

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()