爬虫过程中需要注意的问题

一.存储数据库

　1.问题：

　　　　当保存指定字段存入数据库的时候，如果仔细查看数据库会发现，主键id是不连续的值，即使设置了失败后事务回滚，也无济于事

　　　　也就是说，不管数据是否插入成功，id都会自增1

　　原因：

　　　　innodb的自增是缓存在内存字典中的，分配方式是先预留，然后再插入的。所以插入失败不会回滚内存字典

　　解决：

　　　　让innodb识别到当前最大id的方法是重启server 更新AUTO_INCREMENT缓存

　　　　在插入失败的时候，将主键重新赋值为1，数据库就会将下一个自增id设置为当前表中最大的id加1

alter table haowai auto_increment=1   #haowai只是表名

例：scrapy框架的pipelines.py文件

class HaowaiPipeline(object):
    def open_spider(self,spider):
        self.db = pymysql.connect('127.0.0.1','root','123456','reptile',charset="utf8")
        self.cursor = self.db.cursor()
    def process_item(self, item, spider):
        sql = 'insert into haowai(url,title,author,content,puttime,readnum,imagepath) values(%s,%s,%s,%s,%s,%s,%s)'
        data = (item['url'],item['title'],item['author'],item['content'],item['puttime'],item['readNum'],item['imagePath'])
        try:
            self.cursor.execute(sql,data)
            self.db.commit()
        except Exception as e:
            # 插入失败则将主键自增设置为1，否则插入数据失败id也会自增，就会出现主键增长不连续的情况
            self.cursor.execute('alter table haowai auto_increment=1')
            self.db.rollback()
            print('存储失败',e)

        return item
    def close_spider(self,spider):
        self.cursor.close()
        self.db.close()

二.请求百度首页返回一个错误的页面，如下：

源代码如下:

from urllib import request
url = 'https://www.baidu.com'
response = request.urlopen(url)
html = response.read().decode('utf-8')
print(html)

原来以为是ssl验证的问题，后来加上了也不对，最后竟然是一个请求头的事

修改后的源代码如下： 

from urllib import request
url = 'https://www.baidu.com'
head = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36"
    }
req = request.Request(url,headers=head)
response = request.urlopen(req)
html = response.read().decode('utf-8')
print(html)

添加请求头后，返回了百度首页

唉！·······