爬虫中常见问题

1、爬取内容显示乱码

1、原因：比如网页编码是gbk编码的，但是我们用了错误的方式比如utf-8解码，因而出现乱码
2、基础知识：
    （1）python3.6 默认编码为Unicode；正常的字符串就是Unicode
    （2）计算机中存储的信息都是二进制的
    （3）编码decode：真实字符→二进制
    （4）解码encode：二进制→真实字符
    （5）一般来说在Unicode2个字节的，在UTF8需要3个字节；但对于大多数语言来说，只需要1个字节就能编码，如果采用Unicode会极大浪费，于是出现了变长的编码格式UTF8
    （6）GB2312的出现，基本满足了汉字的计算机处理需要，但对于人名、古汉语等方面出现的罕用字，GB2312不能处理，这导致了后来GBK及GB18030汉字字符集的出现。    
3、各种编码方式：
    （1）ASCII ：1字节8个bit位表示一个字符的编码格式，最多可以给256个字(包括字母、数字、标点符号、控制字符及其他符号)分配(或指定)数值。
    （2）ISO8859-1 ：1字节8个bit位表示一个字符的编码格式，仅支持英文字符、数字及常见的符号，3.6%的全球网站使用这个编码。
    （3）GB2312：2字节16个bit位表示一个字符的编码格式，基本满足了汉字的计算机处理需要
    （4）GBK：2字节16个bit位表示一个字符的编码格式，GBK即汉字内码扩展规范
    （5）Unicode ：2字节16个bit位表示一个字符的编码格式，基本能把全球所有字符表示完，
    （6）UTF8：变长字节编码格式，英文1字节，汉字3字节，较复杂的更高字节编码，
4、实例：
s = "好" #默认Unicode编码
print(s.encode("gbk")) #Unicode转gbk
#输出2字节： b'\xba\xc3'
print(s.encode("utf-8")) #Unicode转utf-8
#输出3字节：b'\xe5\xa5\xbd'
print(s.encode("gb2312")) #Unicode转gb2312
#输出2字节：b'\xba\xc3'
print(s.encode("gb2312").decode("gb2312")) #Unicode解码为gb2312再编码为Unicode
print(s.encode("utf8").decode("utf8")) #Unicode解码为utf8再编码为Unicode
#输出：好

（2）解决方法

方法：
    查看网页是什么编码，并设置该编码格式，或者包含大于这个的编码，如gb2312编码的网页可以设置gbk的编码方式。
代码：
    solution1：response.encoding = response.apparent_encoding
    solution2 ：response.encoding = 'utf-8'
                response.encoding = 'gbk'

2、pymongo.errors.CursorNotFound:

（1）原因：

默认 mongo server维护连接的时间窗口是十分钟；默认单次从server获取数据是101条或者 大于1M小于16M的数据；所以默认情况下，如果10分钟内未能处理完数据，则抛出该异常。

（2）解决方法：

方法：
    no_cursor_timeout=True：设置连接永远不超时
    batch_size：估计每批次获取数据量的条数；让MongoDB客户端每次抓取的文档在10分钟内能用完
代码：
    import pymongo
    client = pymongo.MongoClient(host='localhost', port=27017)
    db = client.test
    collection = db.testtable
    cursor = collection.find(no_cursor_timeout=True, batch_size=5)

3、TypeError: can’t pickle _thread.lock objects和EOFError: Ran out of input

（1）原因：

1、进程池内部处理使用了pickle模块(用于python特有的类型和python的数据类型间进行转换)中的dump(obj, file, protocol=None,)方法对参数进行了封装处理.
2、在参数传递中如果自定义了数据库存储类mongo或者redis等数据库，会造成进程池内部处理封装过程无法对其进行处理. 
3、错误代码产生异常的实例1：
    import multiprocessing
    import pymongo
    class Test:
        def __init__(self, collection):
            self.collection = collection
        def savedata(self):
            self.collection.insert_one({'key': 'value'})
    def main():
        client = pymongo.MongoClient(host='localhost', port=27017)
        db = client.test
        collecttable = db.testtable
        test = Test(collecttable)
        p1 = multiprocessing.Process(target=test.savedata)
        p1.start()
        p1.join()
        print('进程已结束')
    if __name__ == '__main__':
        main()
4、错误代码产生异常的实例2：
    import multiprocessing
    import pymongo
    class Test:
        def __init__(self):
            pass
        def savedata(self, collecttable):
            collecttable.insert_one({'key': 'value'})
    def main():
        client = pymongo.MongoClient(host='localhost', port=27017)
        db = client.test
        collecttable = db.testtable
        test = Test()
        p1 = multiprocessing.Process(target=test.savedata, args=(collecttable,))
        p1.start()
        p1.join()
        print('进程已结束')
    if __name__ == '__main__':
        main()

 

（2）解决方法：

方法：
    在参数传递时，不能将数据库集合作为类的参数进行传递，只能在函数里面创建使用数据库
代码：
    import multiprocessing
    import pymongo
    class Test:
        def __init__(self):
            pass
        def savedata(self):
            client = pymongo.MongoClient(host='localhost', port=27017)
            db = client.test
            collecttable = db.testtable
            collecttable.insert_one({'key': 'value'})
    def main():
        test = Test()
        p1 = multiprocessing.Process(target=test.savedata)
        p1.start()
        p1.join()
        print('进程已结束')
    if __name__ == '__main__':
        main()

4、redis.exceptions.DataError: Invalid input of type: ‘dict’. Convert to a byte, string or number first.

（1）原因：

1、redis存入数据类型错误，应该是字节或者是字符串或者是数字类型
2、错误实例：
    from redis import StrictRedis
    dict = {'key': 'value'}
    r = StrictRedis(host='localhost', port=6379)
    r.rpush('test', dict)

（2）解决方法：

方法：
    使用json模块，json.dumps(dict)可以将字典类型的转换为字符串
代码：
    import json
    from redis import StrictRedis
    dict = {'key': 'value'}
    r = StrictRedis(host='localhost', port=6379)
    data = json.dumps(dict)
    r.rpush('test', data)
    print(r.lpop('test'))
    #输出： b'{"key": "value"}'

 

5、json.dumps()中文未正确显示

（1）原因：

1、json.dumps序列化时对中文默认使用的ascii编码.想输出真正的中文需要指定ensure_ascii=False：
2、实例代码：
    import json
    dict = {'key': '测试'}
    print(json.dumps(dict))
    # 输出：{"key": "\u6d4b\u8bd5"}

（2）解决方法：

方法：
    json.dumps(dict,ensure_ascii = False)
代码：
    import json
    dict = {'key': '测试'}
    print(json.dumps(dict, ensure_ascii=False))
    #输出： {"key": "测试"}

6、AttributeError: ‘NoneType’ object has no attribute ‘decode’

（1）原因：

1、redis数据库为空，未取到数据，返回类型是NoneType类型
2、错误实例：
    from redis import StrictRedis
    r = StrictRedis(host='localhost', port=6379)
    print(r.lpop('test').decode('utf-8'))

（2）解决方法：

1、确保redis里面有数据，先存数据，再取数据
2、代码：
    import json
    from redis import StrictRedis
    r = StrictRedis(host='localhost', port=6379)
    dict = {'key': '测试'}
    data = json.dumps(dict, ensure_ascii=False)
    r.rpush('test', data)
    print(r.lpop('test').decode('utf-8')) #redis取出来的数据为字节类型，需要编码decode
    #输出：{"key": "测试"}

7、如果代理设置成功，最后显示的IP应该是代理的IP地址，但是最终还是我真实的IP地址，为什么？

获取代理并检测有效性：https://github.com/Shirmay1/Python/blob/master/Proxyip/xici.py
（1）原因：

requests.get(url,headers=headers,proxies=proxies)
1、proxies在你访问http协议的网站时用http代理，访问https协议的网站用https的代理
2、所以你的proxy需要根据网站是http还是https的协议进行代理设置，这样才能生效

（2）解决方法:

1、方法：
    如果proxies ={'http': 'http://112.85.169.206:9999'}，
    http的测试网站'http://icanhazip.com'
    如果proxies ={'https': 'https://112.85.129.89:9999'}
    https的测试网站https://www.baidu.com/
2、代码：
    proxies ={'http': 'http://112.85.169.206:9999'}
    r = requests.get('http://icanhazip.com', headers=headers, proxies=proxies, timeout=2)
    proxies ={'https': 'https://112.85.129.89:9999'}
    r = requests.get('https://www.baidu.com/', headers=headers, proxies=proxies, timeout=2)
···

8、HTTPConnectionPool

（1） Max retries exceeded with url

1、报错：
    a.HTTPConnectionPool(host='XXX', port=XXX): Max retries exceeded with url: XXXX(Caused by ProxyError('Cannot connect to proxy.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None)))
    b.HTTPConnectionPool(host='XXX', port=XXX): Max retries exceeded with url: XXXX(Caused by ProxyError('Cannot connect to proxy.', NewConnectionError('<urllib3.connection.HTTPConnection object at 0x0000020B87AAC4E0>: Failed to establish a new connection: [WinError 10061] 由于目标计算机积极拒绝，无法连接。')))
    c.HTTPConnectionPool(host='XXX', port=XXX): Max retries exceeded with url: XXXX (Caused by ProxyError('Cannot connect to proxy.', RemoteDisconnected('Remote end closed connection without response')))
2、原因：
    a.http连接太多没有关闭导致
    b.访问次数频繁，被禁止访问
    c.每次数据传输前客户端要和服务器建立TCP连接，为节省传输消耗，默认为keep-alive，即连接一次，传输多次，然而在多次访问后不能结束并回到连接池中，导致不能产生新的连接
3、解决方法：
    a.增加连接次数
    b.requests使用了urllib3库，默认的http connection是keep-alive的，requests设置False关闭。
    c.headers中的Connection默认为keep-alive，将headers中的Connection一项置为close
4、小知识补充：
    a.会话对象requests.Session能够跨请求地保持某些参数，比如cookies，即在同一个Session实例发出的所有请求都保持同一个cookies,而requests模块每次会自动处理cookies，这样就很方便地处理登录时的cookies问题。

（2）代码

"""增加重连次数,关闭多余连接，使用代理"""
import requests
headers = {'Connection': 'close'}
requests.adapters.DEFAULT_RETRIES = 5 # 增加重连次数
s = requests.session()
s.keep_alive = False # 关闭多余连接
s.proxies = {"https": "47.100.104.247:8080", "http": "36.248.10.47:8080", } # 使用代理
try:
    s.get(url) # 访问网址
except Exception as err:
    pass
"""This will GET the URL and retry 3 times in case of requests.exceptions.ConnectionError. backoff_factor will help to apply delays between attempts to avoid to fail again in case of periodic request quo"""
import requests
from requests.adapters import HTTPAdapter
from requests.packages.urllib3.util.retry import Retry
session = requests.Session()
retry = Retry(connect=3, backoff_factor=0.5)
adapter = HTTPAdapter(max_retries=retry)
session.mount('http://', adapter)
session.mount('https://', adapter)
try:
    s.get(url) # 访问网址
except Exception as err:
    pass

 

 

欢迎关注公众号：Python爬虫数据分析挖掘，回复【开源源码】免费获取更多开源项目源码

公众号每日更新python知识和【免费】工具