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

2.2 记录访问历史

2.3 异常处理

2.4 网页自动编码判断

2.5 远程主机重置链接（Errno 10054）

2.6 使用BeautifulSoup来分析网页

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 urllib
 import urllib2
 import chardet
 import re
 import os
 import time
 from myLogger import *
 
 # 网络蜘蛛
 class Spider:
 
     # 类初始化
     def __init__(self):
         self.contentFolder = u"抓取内容"
         self.dbName = "url.db"
         self.createFolder(self.contentFolder)
         self.urlDB = set()
 
     # 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)
         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')
         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):
         db = open(self.dbName, 'a')
         db.write(url + '\n')
         db.close()
 
     # 处理路径名称中的空格字符
     def getPathName(self, pathName):
         newName = ""
         subName = pathName.split()
         i = 0
         while i < len(subName) - 1:
             newName = newName + subName[i]
             i = i + 1
         return newName
 
     # 获取索引页面的内容
     def getPage(self, pageURL, second):
         try:
             headers = {'User-agent' : 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0'}
             request = urllib2.Request(pageURL, headers = headers)
             response = urllib2.urlopen(request, timeout = second)
             data = response.read()
             response.close()
             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:
             logging.error(u"获取网页失败：" + str(e))
             return "", False
 
     # 获取索引界面所有子页面信息，list格式
     def getContents(self, pageURL, second):
         contents = []
         page, succeed = self.getPage(pageURL, second)
         if succeed:
             # 这里的正则表达式很重要，决定了第一步的抓取内容：
             pattern = re.compile('<tr>.*?<a href="(.*?)".*?<b>(.*?)</b>.*?</tr>',re.S)
             items = re.findall(pattern,page)
             for item in items:
                 contents.append([item[0],item[1]])
         contents.sort()
         return contents
 
     # 获取页面所有图片
     def getAllImgURL(self, infoURL):
         images = []
         succeed = True
         try:
             headers = {'User-agent' : 'Mozilla/5.0 (Windows NT 6.2; WOW64; rv:22.0) Gecko/20100101 Firefox/22.0'}
             request = urllib2.Request(infoURL, headers = headers)
             data = urllib2.urlopen(request).read()
             chardet1 = chardet.detect(data)     # 自动判断网页编码
             page = data.decode(str(chardet1['encoding']))   
 
             # 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:
                 if item.startswith('http://'):
                     imageURL = 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)
                 else:
                     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://'):
                     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
 
     # 保存所有图片
     def saveImgs(self, images, name):
         logging.info(u'发现"' + name + u'"共有' + str(len(images)) + u"张照片")
         allSucceed = True
         for imageURL in images:
             splitPath = imageURL.split('/')
             fTail = splitPath.pop()
             fileName = name + "/" + fTail
             logging.info(u"开始准备保存图片（超时设置：120秒）:" + imageURL)
             startTime = time.time()
             succeed = self.saveImg(imageURL, fileName, 120)
             spanTime = time.time() - startTime
             if succeed:
                 logging.info(u"保存图片完成（耗时：" + str(spanTime) + u"秒）:" + fileName)
                 # 保存文件存储记录
                 self.urlDB.add(imageURL)
                 self.writeToDatabase(imageURL)
             else:
                 logging.warning(u"保存图片失败（耗时:" + str(spanTime) + u"秒）:" + imageURL)
                 allSucceed = False
             # 为了防止网站封杀，这里暂停1秒
             time.sleep(1)
         return allSucceed
 
     # 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'}
             request = urllib2.Request(imageURL, headers = headers)
             u = urllib2.urlopen(request, timeout = second)
             data = u.read()
             f = open(fileName, 'wb')
             f.write(data)
             f.close()
             u.close()
             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
 
     # 创建新目录
     def createFolder(self, path):
         path = path.strip()
         # 判断路径是否存在
         isExists=os.path.exists(path)
         # 判断结果
         if not isExists:
             # 如果不存在则创建目录
             logging.info(u"创建文件夹：'" + path + u"'")
             # 创建目录操作函数
             os.makedirs(path)
             return True
         else:
             # 如果目录存在则不创建，并提示目录已存在
             logging.info(u"名为'" + path + u"'的文件夹已经存在，跳过")
             return False
 
     # 获取的首页地址
     def savePageInfo(self, pageURL):
         logging.info(u"准备获取网页内容（超时设置：60秒）：" + pageURL)
         contents = self.getContents(pageURL, 60)
         logging.info(u"网页内容获取完成，子路径个数：" + str(len(contents)))
         index = 1
         for item in contents:
             #（1）item[0]子路径URL, item[1]子路径名称
             folderURL = item[0]
             folderName = self.contentFolder + '\\' + str(index) + "-" + self.getPathName(item[1])
             self.createFolder(folderName)
             index = index + 1
 
             #（2）判断链接头部合法性和重复性
             if not folderURL.startswith('http://'):
                 folderURL = pageURL + folderURL
             if folderURL in self.urlDB:
                 logging.info(u'"' + folderName + u'"的链接地址(已访问，跳过)为：' + folderURL)
                 continue
             else:
                 logging.info(u'"' + folderName + u'"的链接地址为：' + folderURL)
 
             #（3）获取图片URL列表，成功则保存图片
             images, succeed = self.getAllImgURL(folderURL)
             if succeed:
                 succeed = self.saveImgs(images, folderName)
                 if succeed:
                     self.urlDB.add(folderURL)
                     self.writeToDatabase(folderURL)    
 
 # 初始化系统日志存储
 InitLogger()
 # 传入初始网页地址，自动启动爬取图片：
 spider = Spider()
 spider.loadDatabase()
 spider.savePageInfo('http://365.tw6000.com/xtu/')
 logging.info(u"全部网页内容爬取完成！程序退出。")

查看全部代码

二、问题历史

　　在上面的代码中有不少的细节是优化解决过的，相关的知识点如下：

2.1 日志系统

　　Python的日志系统是相当的不错，非常的方便，详细的资料可以参考Python官方文档，或者上一篇博文也是提到过的：《Python中的日志管理Logging模块》，应用到我这个爬虫这里的代码就是myLogger.py模块了，用起来很方便：

 __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

 2.6 使用BeautifulSoup来分析网页

　　　使用正则表达式来匹配网页中的字段确实是太费劲了。用BeautifulSoup就省力多了，功能很强大：

soup = BeautifulSoup(page_data, 'lxml')
entries = soup.find_all(src=re.compile('.jpg'), border='')　　　　# 找到所有字段为src正则匹配的标签内容，同时增加一个约束条件是border=‘0’

　　Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。