python 高度鲁棒性爬虫的超时控制问题
爬虫这类型程序典型特征是意外多，无法确保每次请求都是稳定的返回统一的结果，要提高鲁棒性，能对错误数据or超时or程序死锁等都能进行处理，才能确保程序几个月不停止。本项目乃长期维护github：反反爬虫开源库中积累下来，更多干货欢迎star。
目录：
- 一：基础try&except异常处理
- 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的语句作用不仅仅是要让其捕获异常更重要的是让其忽略异常，因为爬虫中的绝大多数异常可能重新请求就不存在，因此，发现异常的时候将其任务队列进行修复其实是个最省力的好办法。
其次被try包住的语句即使出错也不会导致整个程序的退出，相信我，你绝对不希望计划跑一个周末的程序在半夜停止了。
try:
pass
#可能出错的语句
except Exception,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()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)2.1.2会话保持类型：
import requesocks
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()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")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
<span style="color: #ff0000;">page.settings.resourceTimeout = 5000; // 等待5秒</span>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() {
return document.documentElement.outerHTML;
});
console.log(html);
}
phantom.exit();
});
//$phantomjs xx.js http://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)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()六：自重启的程序设计
比如程序在某种情况下报错多次，，那么满足条件后，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...'
# answer = raw_input("Do you want to restart this program ? ")
# if answer.strip() in "y Y yes Yes YES".split():
# restart_program()
print u"3秒后,程序将结束...".encode("utf8")
time.sleep(3)
restart_program()原创文章，转载请注明： 转载自URl-team
本文链接地址: python 高度鲁棒性爬虫的超时控制问题
Related posts:
- selenium自动登录挂stackoverflow的金牌
- python 爬虫资源包汇总
- python 进程超时控制 防止phantomjs假死
- 数据采集技术指南 第一篇 技术栈总览-附总图和演讲ppt
- 淘宝商品信息采集器二，开放源码可自定义关键词进行采集
- Python模拟登录的几种方法（转）