Python爬虫（图片）编写过程中遇到的问题

　　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：

2.1 日志系统

[b]2.2 记录访问历史[/b]

[b][b]2.3 异常处理[/b][/b]

[b][b][b]2.4 网页自动编码判断[/b][/b][/b]

[b][b][b][b]2.5 远程主机重置链接（Errno 10054）[/b][/b][/b][/b]

一、全部代码

　　直接先来代码，再详细说优化的过程和内容吧：

__author__ = 'KLH'
# -*- coding:utf-8 -*-

import logging
import time

def InitLogger():
logFileName = 'log_' + time.strftime("%Y%m%d%H%M%S", time.localtime(time.time())) + '.txt'
logging.basicConfig(level=logging.DEBUG,
format='[%(asctime)s][%(filename)s:%(lineno)d][%(levelname)s] - %(message)s',
filename=logFileName,
filemode='w')

# 定义一个StreamHandler将INFO级别以上的信息打印到控制台
console = logging.StreamHandler()
console.setLevel(logging.INFO)
formatter = logging.Formatter('[%(asctime)s][%(filename)s:%(lineno)d][%(levelname)s] - %(message)s')
console.setFormatter(formatter)
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：

# 类初始化
def __init__(self):
self.contentFolder = u"抓取内容"
self.dbName = "url.db"    　　　　　　　　  # 1、定义数据库文件名
self.createFolder(self.contentFolder)　　 # 2、创建内容存储目录
self.urlDB = set()    　　　　　　　　　　　 # 3、创建内存数据库

# 获取URL数据库以获取爬过的网页地址
def loadDatabase(self):
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
if not isExists:
logging.info(u"创建URL数据库文件：'" + self.dbName + u"'")
f = open(self.dbName, 'w+')
f.write("#Create time: " + time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(time.time())) + '\n')
f.close()
return
db = open(self.dbName, 'r')　　　　　　　　 # 5、从磁盘中加载数据库
for line in db.readlines():
if not line.startswith('#'):
self.urlDB.add(line.strip('\n'))
db.close()
logging.info(u"URL数据库加载完成！")

# 追加数据库文件
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
db = open(self.dbName, 'a')
db.write(url + '\n')
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：

# 获取索引页面的内容
def getPage(self, pageURL, second):
try:
request = urllib2.Request(pageURL)
response = urllib2.urlopen(request, timeout = second)
data = response.read()
return data.decode('gbk'), True
except urllib2.HTTPError,e:    # HTTPError必须排在URLError的前面
logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
return "", False
except urllib2.URLError, e:
logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
return "", False
except Exception, e:　　　　　　 # 其他所有类型的异常
logging.error(u"获取网页失败：" + str(e))
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：

import chardet

# 获取页面所有图片
def getAllImgURL(self, infoURL):
images = []
succeed = True
try:
data = urllib2.urlopen(infoURL).read()　　# 1、先获取网页内容
chardet1 = chardet.detect(data)     　　　# 2、再调用该模块的方法自动判断网页编码
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'}

# 第一种解码格式：
pattern = re.compile('<option value="(.*?)">(.*?)</option>')
items = re.findall(pattern, page)
# item[0]为图片URL尾部，item[1]为图片名称
for item in items:
imageURL = infoURL + item[0]
if imageURL in self.urlDB:
logging.info(u"获得图片URL(曾被访问，跳过)：" + imageURL)
else:
logging.info(u"获得图片URL：" + imageURL)
images.append(imageURL)

# 第二种解码格式
pattern = re.compile('<IMG src="(.*?)".*?>')
items = re.findall(pattern, page)
# item为图片URL
for item in items:
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。
if item in self.urlDB:
logging.info(u"获得图片URL(曾被访问，跳过)：" + item)
else:
logging.info(u"获得图片URL：" + item)
images.append(item)

except Exception, e:
logging.warning(u"在获取子路径图片列表时出现异常：" + str(e))
succeed = False
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：

# 传入图片地址，文件名，超时时间，保存单张图片
def saveImg(self, imageURL, fileName, second):
try:
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
request = urllib2.Request(imageURL, headers = headers)
u = urllib2.urlopen(request, timeout = second) 　　　　# 2、这里的超时设置timeout不要太长
data = u.read()
f = open(fileName, 'wb')
f.write(data)
f.close()
u.close()　　　　# 3、注意这里的链接要主动调用一下关闭
return True
except urllib2.HTTPError,e:    #HTTPError必须排在URLError的前面
logging.error("HTTPError code:" + str(e.code) + " - Content:" + e.read())
return False
except urllib2.URLError, e:
logging.error("URLError reason:" + str(e.reason) + " - " + str(e))
return False
except Exception, e:
logging.error(u"保存图片失败：" + str(e))
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