《用python写网络爬虫》,1.4.4链接爬虫,运行时,遇到错误:
Download error:TOO MANY REQUESTS
Traceback(most recent call last):
File "1.py",line 52,in(module)
link_crawler('http://example.webscraping.com','/index')
File "1.py",line 34,in link_crawler
for link in get_links(html):
File "1.py",line 50,in get_links
return webpage_regex.findall(html)
TypeError:excepted string or buffer
分析:首先定位到异常位置,再设置每次请求发送后的等待时间,可解决一次性向服务器发太多请求!
下图是原代码(即出错的代码)
1 # encoding: UTF-8
2 import re
3 import urlparse
4 import urllib2
5
6 def download(url,user_agent='wswp',num_retries=2):
7 print 'Downloading:',url
8 headers = {'User-agent':user_agent}
9 request = urllib2.Request(url,headers=headers)
10 try:
11 html = urllib2.urlopen(url).read()
12 except urllib2.URLError as e:
13 print 'Download error:',e.reason # 输出错误原因
14 html = None
15 if num_retries > 0:
16 if hasattr(e,'code')and 500 <= e.code <600:
17 # 当错误提示中包含错误代码而且代码是500~600之间的数字时,执行下列代码
18 return download(url,num_retries-1)
19 return html
20
21 def link_crawler(seed_url,link_regex):
22 crawl_queue = [seed_url]
23 # set函数用于输出不带重复内容的列表(列表中的重复内容会被删掉)
24 seen = set(crawl_queue) # 访问过得链接
25 while crawl_queue:
26 url = crawl_queue.pop()
27 html = download(url)
28 for link in get_links(html):
29 if re.search(link_regex,link): # 判断link是否符合给定的正则表达式
30 link = urlparse.urljoin(seed_url,link)
31 if link not in seen: # 判断此链接是否在已访问链接列表中
32 seen.add(link)
33 crawl_queue.append(link)
34 def get_links(html):
35 webpage_regex = re.compile(r'<a[^>]+href=["\'](.*?)["\']',re.IGNORECASE) #匹配<a href="xxx"> 这样的字符串
36 return webpage_regex.findall(html)
37
38 link_crawler('http://example.webscraping.com','/index')
在出错位置加上等待时间(红色标明),如下:
def link_crawler(seed_url,link_regex):
crawl_queue = [seed_url]
# set函数用于输出不带重复内容的列表(列表中的重复内容会被删掉)
seen = set(crawl_queue) # 访问过得链接
while crawl_queue:
url = crawl_queue.pop()
html = download(url)
for link in get_links(html):
time.sleep(0.01) #防止同时请求过多,造成服务器报错if re.search(link_regex,link): # 判断link是否符合给定的正则表达式
link = urlparse.urljoin(seed_url,link) # 将相对url地址改为绝对url地址
if link not in seen: # 判断此链接是否在已访问链接列表中
seen.add(link)
crawl_queue.append(link)
测试:
可正常下载
若提示报错中断,则加入try…exception抛出异常进行调试。