做爬蟲項(xiàng)目時(shí)，我們需要考慮一個(gè)爬蟲在爬取時(shí)會(huì)遇到各種情況（網(wǎng)站驗(yàn)證，ip封禁），導(dǎo)致爬蟲程序中斷，這時(shí)我們已經(jīng)爬取過一些數(shù)據(jù)，再次爬取時(shí)這些數(shù)據(jù)就可以忽略，所以我們需要在爬蟲項(xiàng)目中設(shè)置一個(gè)中斷重連的功能，使其在重新運(yùn)行時(shí)從之前斷掉的位置重新爬取數(shù)據(jù)。
實(shí)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(fèi)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(gè)數(shù)組new_urls中，爬取一個(gè)網(wǎng)址就將它移入另一個(gè)數(shù)組old_urls中，爬取網(wǎng)站時(shí)，就看它是在哪一個(gè)數(shù)組中，然后再?zèng)Q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(gè)數(shù)組
self.new_urls=set()
self.old_urls=set()
def add_new_url(self, url): #將一個(gè)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(gè)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(rèn)移除列表中最后一個(gè)元素對(duì)象
new_url=self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
這個(gè)類實(shí)現(xiàn)了中斷重連的基本功能，但是當(dāng)我們要爬取的網(wǎng)址非常的，那這就對(duì)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(gè)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(gè)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(gè)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(gè)url
del_last_url('new_urls.txt',new_url) #刪除new_urls文件中最后一個(gè)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(fù)雜，這也是我卡時(shí)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?yàn)樵赪indows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(gè)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(gè)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(gè)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(shí)現(xiàn)了，下面要做的就是將該功能接入爬蟲項(xiàng)目中，比較簡單。
以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺我的文章對(duì)您有幫助，請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請(qǐng)將微信支付二維碼保存到相冊(cè)，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
