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Unicodeprint(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_encodingsolution2 ：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 pymongoclient = pymongo.MongoClient(host='localhost', port=27017)db = client.testcollection = db.testtablecursor = 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 multiprocessingimport pymongoclass Test:def __init__(self, collection):self.collection = collectiondef savedata(self):self.collection.insert_one({'key': 'value'})def main():client = pymongo.MongoClient(host='localhost', port=27017)db = client.testcollecttable = db.testtabletest = 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 multiprocessingimport pymongoclass Test:def __init__(self):passdef savedata(self, collecttable):collecttable.insert_one({'key': 'value'})def main():client = pymongo.MongoClient(host='localhost', port=27017)db = client.testcollecttable = db.testtabletest = 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 multiprocessingimport pymongoclass Test:def __init__(self):passdef savedata(self):client = pymongo.MongoClient(host='localhost', port=27017)db = client.testcollecttable = db.testtablecollecttable.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 StrictRedisdict = {'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 jsonfrom redis import StrictRedisdict = {'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 jsondict = {'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 jsondict = {'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 StrictRedisr = 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 jsonfrom redis import StrictRedisr = 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close4、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 requestsheaders = {'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 requestsfrom requests.adapters import HTTPAdapterfrom requests.packages.urllib3.util.retry import Retrysession = 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
9、socket.timeout:
（1）socket.timeout
1、报错：a.socket.timeout: timed out2、原因：a.socketTimeout：指客户端和服务进行数据交互的时间，是指两者之间如果两个数据包之间的时间大于该时间则认为超时，而不是整个交互的整体时间，比如如果设置1秒超时，如果每隔0.8秒传输一次数据，传输10次，总共8秒，这样是不超时的。而如果任意两个数据包之间的时间超过了1秒，则超时。b.一次http请求，必定会有三个阶段，一：建立连接；二：数据传送；三，断开连接。当建立连接在规定的时间内（ConnectionTimeOut ）没有完成，那么此次连接就结束了。后续的SocketTimeOutException就一定不会发生。只有当连接建立起来后，也就是没有发生ConnectionTimeOutException ，才会开始传输数据，如果数据在规定的时间内(SocketTimeOut)传输完毕,则断开连接。否则，触发SocketTimeOutException3.解决方法：import socketsocket.setdefaulttimeout(timeout)4.小知识补充：SocketTimeoutException一般是服务器响应超时，即服务器已经收到了请求但是没有给客户端进行有效的返回；ConnectTimeoutException指服务器请求超时，指在请求的时候无法客户端无法连接上服务端
（2）代码
import socketsocket.setdefaulttimeout(timeout)try:passexcept socket.timeout as err:pass
耐得住寂寞，才能登得顶
Gitee码云：https://gitee.com/lyc96/projects
