Python 网络爬虫 | 新闻爬虫 10 条经验分享

博主：机灵鹤
发布时间：2022 年 11 月 28 日
1669次浏览
暂无评论
8173字数
分类：爬虫实战

大家好，我是机灵鹤。

前段时间完成了一个爬虫项目，完成了国内 13 个主流新闻网站的内容采集（根据关键词爬取）。包括

中国日报网，中国新闻网，人民网，光明网，国际在线，央广网，央视网，中国网，凤凰网，网易新闻，新浪新闻，中国青年网，中青在线

虽然 新闻网站 这种文字类的爬虫相对较为简单，但是爬取过程中仍然遇到了不少的坑，项目完成后也有不小的收获。

现将自己的心得整理记录分享，希望对大家能有所帮助。

0. 目录

正文内容页面格式不统一
网页编码自动识别
获取总页数的几种常用方法
如何实现断点续存
文件名特殊字符剔除
网页中图片和视频的提取方法
使用多线程提高爬取效率
异常处理增加爬虫稳健性
大文件的分批读取
参数可以放到配置文件里

1. 正文内容页面格式不统一

大家可能遇到过这种情况，在根据关键词搜索结果爬取新闻时，新闻正文页格式不统一。

这些新闻的网页或者来自不同站点，或者来自不同新闻板块，或者此前经历过网站改版，种种因素导致网页页面格式不一致，使得爬虫无法使用统一的解析函数来解析，给我们的爬取工作来带很大的麻烦。

比如在《人民网》，以 春节 为关键词的搜索结果中，就有多种不同格式的新闻页：

《李焕之与《春节序曲》》中，正文内容在属性为 rm_txt_con 的 div 标签下。

在《平台春节“发红包”如何实现双赢》中，正文内容在属性为 artDet 的 div 标签下。

而《春节档电影市场再创佳绩》中，正文内容在属性为 show_text 的 div 标签下。

解析网页时必须对各种界面进行兼容适配，否则轻则漏爬一批新闻网页，重则触发异常甚至导致程序崩溃。

针对上述情况，如果大家有比较好的解决方法的话，欢迎找我交流。

我简单讲讲我的解决方法。

首先我们可以使用最简单的方法 if...else... 来判断，示例代码如下：

cont1 = bsObj.find("div", attrs={"class": "rm_txt_con"})
if cont1:
    # parse content 1
else:
    cont2 = bsObj.find("div", attrs={"class": "artDet"})
    if cont2:
        # parse content 2
    else:
        cont3 = bsObj.find("div", attrs={"class": "show_text"})
        if cont3:
            # parse content 3
        else:
            print("parse failed")

就是先获取一个标签，如果获取到了就按照对应规则解析正文，如果没获取到就继续找下一个......直到所有已知的标签全部检索完毕，若还没有获取到，则输出获取失败。

这种方法逻辑简单，实现起来也很方便，也确实可以解决问题。

但是在页面格式类型较多时，代码就会显得非常臃肿，尤其是 python 代码需要严格执行缩进的情况下，代码会变得特别不美观，维护起来也非常不方便。

所以我们可以用走配置的方法，对上述代码进行优化。

# 走配置的方法 
confilter = [
    {"tag": "div", "type": "class", "value": "rm_txt_con"},
    {"tag": "div", "type": "class", "value": "box_con"},
    {"tag": "div", "type": "class", "value": "box_text"},
    {"tag": "div", "type": "class", "value": "show_text"},
    {"tag": "div", "type": "id", "value": "p_content"},
    {"tag": "div", "type": "class", "value": "artDet"},
]

for f in confilter:
    con = bsObj.find(f["tag"], attrs={f["type"]: f["value"]})
    if con:
        # parse content
        break

这样的话，每增加一种网页类型，只需要在配置中增加一行既可，非常方便。

2. 网页编码自动识别

不同网页使用的字符编码各不相同，最常用的是 utf-8 和 GB2312 。

如果解析网页内容时，字符编码设置不匹配，就会导致爬取到的文字乱码。

如何自动识别网页的编码，可以试一下 chardet 库，它可以根据网页内容自动推测最有可能的编码格式，以及相应的置信度。

import chardet
import requests

r = requests.get("https://www.xxxxxxxxx.com")
# 推测网页内容的编码格式
data =chardet.detect(r.content)
# 结果是 json 格式，
# data["encoding"] 为编码格式，data["confidence"] 为置信度
if data["confidence"] > 0.9:
    r.encoding = data["encoding"]
else:
    r.encoding = "utf-8"
print(r.text)

当然，也有更加简洁的方法 apparent_encoding 。

import chardet
import requests

r = requests.get("https://www.xxxxxxxxx.com")
r.encoding = r.apparent_encoding
print(r.text)

两者识别效果差不多，后者写法更加简洁，使用更加方便；前者可以查看更加详细的编码识别信息。具体使用哪一种方法，就要实际情况自行选择了。

不过，在使用过程中发现，这两种识别网页编码的方法并非百分百准确识别，有些新闻网页（我猜测网页中混合使用了多种编码格式的内容）会识别为错误的编码，导致解析出乱码。

这个情况我也没有想到合适的解决方法，目前我的解决方法是，如果编码识别结果的置信度低于 90%，则视为识别失败，此时根据具体情况给它一个默认的编码格式，如 utf-8 或者 GB2312 了。

3. 获取总页数的几种常用方法

当我们循环爬取新闻列表时，会遇到一个非常重要的问题，就是程序到底需要循环多少次。

翻译过来就是 新闻列表共有多少页 。

以关键词搜索的搜索结果，不同的网站有不同的展示方式，对应着获取总页数的方式也各不相同。

3.1 返回结果 `json` 里包含总页数

有的网站使用的是 Ajax 动态加载数据，也就是说服务器会把每一页的新闻数据以 json 的形式发送过来。而一般情况下，在这条请求中会包含了数据 总条数 和 总页数 的信息。

以 凤凰网 为例，在关键词搜索结果的请求响应消息中，包含了 total 和 totalPage 两个字段，分别代表搜索结果的总条数和总页数。

这种情况下，我们直接解析 json 提取总页数即可。

示例代码如下：

page = jsonObj["data"]["totalPage"]
print(int(page))

当然为了防止将来消息协议变化，解析 json 时找不到键而报错崩溃，可以在解析前加一道判断（判断键是否存在），增加程序的稳健性。

if "data" in jsonObj and "totalPage" in jsonObj["data"]:
    page = jsonObj["data"]["totalPage"]
    print(int(page))

3.2 解析 `尾页` 按钮的链接

在有翻页按钮的网站，如果有 尾页，末页，或 最后一页 等按钮，解析该按钮的跳转链接，可以知道搜索结果的总页数。

以 中国新闻网 为例，查看 尾页 按钮的点击事件时，会发现它点击时会调用一个 ongetKey() 的 JavaScript 方法，经过观察测试后发现，其中传入的参数 98 便是点击后跳转的页码。

所以，我们只需要获取到 尾页 按钮的点击响应事件，提取出它的参数，便得到了总页数。

示例代码如下：

# 获取尾页按钮
bsObj = BeautifulSoup(html, "html.parser")
pagediv = bsObj.find("div", attrs={"id": "pagediv"})
lastPage = pagediv.find_all("a")[-1]
# 从尾页按钮的 href 中提取总页码
total = re.findall(r"\d+", lastPage["href"])
print(int(total[0]))

我们把代码完善一下，增加其稳健性，并进行一下封装。

def getTotal_ZGXWW(html):
    bsObj = BeautifulSoup(html, "html.parser")
    pagediv = bsObj.find("div", attrs={"id": "pagediv"})
    if not pagediv:
        return 0
    lastPage = pagediv.find_all("a")
    if len(lastPage) > 0 and lastPage[-1] and "href" in lastPage[-1]:
        total = re.findall(r"\d+", lastPage[-1]["href"])
        if len(total) > 0:
            return int(total[0])
    return 0

3.3 搜索结果总数除以每页展示数

搜索结果页面，一般会显示本次搜索总条目数，使用总数除以每页的条目数，结果取整，即可得到总页数。

以 央视网 为例，在页面顶部的 <div class = "lmdhd"> 标签中，有显示本次搜索结果的总条数。

而一般每一页显示的条目数量固定，我们只需要用总条数除以每页条目数，结果向上取整，即可得到总页数。

示例代码如下：

bsObj = BeautifulSoup(html, "html.parser")
# 获取标签
lmdhd = bsObj.find("div", attrs={"class": "lmdhd"})
# 正则提取总条数
total = re.findall(r"\d+", lmdhd.text)
# 计算总页数(每页 10 条)
totalPage = Math.ceil(int(total[0]) / 10)
print(totalPage)

我们把代码完善一下，增加其稳健性，并进行一下封装。

def getTotal_YSW(html):
    bsObj = BeautifulSoup(html, "html.parser")
    lmdhd = bsObj.find("div", attrs={"class": "lmdhd"})
    if not lmdhd:
        return 0
    total = re.findall(r"\d+", lmdhd.text)
    if len(total) > 0:
        totalPage = Math.ceil(int(total[0]) / 10)
        return totalPage
    return 0

不过这种方法不一定准确，因为很多网站的搜索结果并不是全量展示的，仅仅展示前若干页的数据。

这样就会导致一些问题，如爬取到大量重复数据；在爬取过程中出现空数据甚至报错等，所以需要做好 数据去重 和 异常捕获 等工作。

3.4 循环爬取直到终止条件

对于一些瀑布流展示数据的网站，对页码的划分不是很明显，我们没有办法直接得知它的总页数是多少。

这样的话，我们可以在 while(True) 循环中加入终止条件的判断，如 返回的数据为空，发布时间不符合要求 等条件。

示例代码（伪代码）如下：

每次循环获取下一页链接，下一页链接为空时退出

while(True):
    # 爬取数据，以及下一页的链接
    data, url = getData_And_NextUrl(url)
    # 保存数据
    saveData(data)
    # 当下一页链接为空时退出
    if not url:
        break;

每次循环获取数据，数据为空时退出

while(True):
    # 爬取数据，以及下一页的链接
    data, url = getData_And_NextUrl(url)
    # 当数据为空时退出
    if not data:
        break;
    # 保存数据
    saveData(data)

4. 如何实现断点续存

爬虫不可避免会出现报错崩溃退出的情况，对于一个爬取数据量比较大的爬虫来讲，如果每次崩溃都需要从头重新开始爬取，无疑是很浪费时间，和令人崩溃的。

所以加入 断点续存 的功能就显得很人性化了。

访问新闻详情页之前，先检索本地有没有对应的已保存好的新闻文件，若有，则跳过，若没有，则开始爬取。

示例代码如下：

# fetchNewsUrlList 函数用来获取搜索结果中某一页的全部新闻链接
# keyword 是搜索的关键词，page 是页码
newsList = fetchNewsUrlList(keyword, page)
for url in newsList:
    # getFilenameByUrl 函数用来根据 url 获取保存该网页新闻的文件名
    filename = getFilenameByUrl(url)
    # path 是文件保存的路径
    # 如果该文件存在，则跳过
    if os.path.exists(path + filename):
        continue
    # 若没有该文件，则爬取该网页并保存新闻内容
    content = getNewsContent(url)
    saveData(content)

通过这种机制，我们可以快速跳过之前爬取完成的数据，直接从上次断掉的地方接着爬取，不仅可以节省大量的时间和网络资源，也一定程度上降低了对目标网站造成的负荷。

此外，对于一些需要定期增量爬取数据的项目中，这种 断点续存 机制也是很有必要的。

5. 文件名中特殊字符剔除

我们知道 .txt 文件的文件名中，是不允许包含一些特殊字符的。

文件名不能包含下列任何字符：\ / : * ? " < > |

如果我们使用新闻标题作为保存的文件名，标题中的一些特殊字符很可能会导致文件保存失败，甚至报错造成出现崩溃。

所以，如果我们使用新闻标题作为保存的文件名，需要对文件名进行一些处理，剔除或替换其中的特殊字符。

# 使用正则表达式剔除特殊字符
import re

def fixFilename(filename):
    intab = r'[?*/\\|.:><]'
    newName = re.sub(intab, "", filename)
    return newName

filename = "*/fadsa-*a/s-*|,.;<>-"
print(fixFilename(filename))

运行结果：

fadsa-as-,;-

使用处理后的字符串做文件名时，就不会有问题了。

不过有的同学可能会发现这样的情况，就是上面的代码把文件名中的特殊字符全部剔除掉了，这样虽然保存时不会报错了，但是文件名的样式也被搞乱了。

所以你可以用 替换字符 的方法来解决。

# 将特殊字符替换成对应的中文字符（或自定义字符）
def fixFilename(filename):
    cfg = [
        {"char":"?", "rep": "？"},
        {"char":"*", "rep": ""},
        {"char":"/", "rep": ""},
        {"char":"\\", "rep": ""},
        {"char":"|", "rep": ""},
        {"char":".", "rep": "。"},
        {"char":":", "rep": "："},
        {"char":">", "rep": "》"},
        {"char":"<", "rep": "《"},
    ]
    for item in cfg:
        filename = filename.replace(item["char"], item["rep"])
    return filename

filename = "*/fadsa-*a/s-*|,.;<>-"
print(fixFilename(filename))

运行结果：

fadsa-as-,。;《》-

6. 网页中图片和视频的提取方法

跟文字类似，有的网站的图片数据是以 json 格式返回的，有的则是渲染在 html 页面中返回的。

6.1 从 JSON 中提取数据

如果是 json 格式的数据，解析就非常简单了，按正常的 json 解析流程解析即可。

例如，我们构造一个 json 格式的示例数据：

data = {
    "content": [
        {
            "id" : "item_ID_0001",
            "img" : "https://www.asdasdasd.com/asdasdasd.jpg"
        },
        {
            "id" : "item_ID_0002",
            "img" : "https://www.asdasdasd.com/qweqweqwe.jpg"
        },
    ]
}

数据解析示例代码如下：

# 通过 ["content"] 可以获得 data 中 "content" 键对应的值
content = data["content"]
print(content)

# 运行结果：
#   [{'id': 'item_ID_0001', 'img': 'https://www.asdasdasd.com/asdasdasd.jpg'},
#    {'id': 'item_ID_0002', 'img': 'https://www.asdasdasd.com/qweqweqwe.jpg'}]

# content 是一个数组，有两个元素，我们用 for in 循环来遍历
for item in content:
    print(item)

# 运行结果：
#    {'id': 'item_ID_0001', 'img': 'https://www.asdasdasd.com/asdasdasd.jpg'}
#    {'id': 'item_ID_0002', 'img': 'https://www.asdasdasd.com/qweqweqwe.jpg'}

# item 也可以用同样的方式解析，得到 "img" 键对应的值
for item in content:
    img = item["img"]
    print(img)
    
# 运行结果
#    https://www.asdasdasd.com/asdasdasd.jpg
#    https://www.asdasdasd.com/qweqweqwe.jpg

这样便可以从 json 中解析得到我们想要的数据，包括图片链接，视频链接数据等。

6.2 从 HTML 中提取图片数据

但是大部分情况下，图片数据是渲染在 html 中的，需要解析网页源码才能得到。解析 html 的方式很多，下面我用 BeautifulSoup 为例进行讲解。

一般来说，显示图片的标签为 <img> ，属性名 src 为图片的链接。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
# 获取网页中的全部 <img> 标签
imageList = bsObj.find_all("img")
# 遍历 <img> 标签，提取图片链接
for img in imageList:
    # 通过 ["src"] 可以获取标签中的 "src" 属性
    link = img["src"]
    print(link)

有的网站图片懒加载，src是一个统一的占位图片，甚至可能没有 src 属性，而真实的图片链接在自定义属性如 data-url 中，需要做好兼容处理。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
imageList = bsObj.find_all("img")
for img in imageList:
    link = img["data-url"]
    print(link)

对于获取到的图片链接，每个网站的显示格式也有细微差别。

# 有的图片是完整的链接，如：
imgUrl1 = "https://www.xxxxxx.com/asdasdasd.jpg"
# 有的图片缺少 http:(或 https:)
imgUrl2 = "//www.xxxxxx.com/asdasdasd.jpg"
# 有的图片是相对路径，需要补全域名
imgUrl3 = "./asdasdasd.jpg"

对于不完整的图片链接，需要自己补全。

6.3 从 HTML 中提取视频地址

视频一般在 <video> 标签中，标签的属性名 src 为视频的链接。

一般来说，长视频网站的视频都是 m3u8 格式，对应的 video 标签中的 src 是一个 blob: 开头的地址，这种解析起来稍稍复杂一些，本文暂且不谈。
而短视频网站中的视频，一般不需要经过切片处理，对应的 video 标签中的 src 是视频的地址，可以通过这个地址直接播放和下载视频。

我爬的这些新闻网站，大部分的视频都是 .mp4 格式的，直接提取链接即可。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
# 获取网页中的所有 <video> 标签
videoList = bsObj.find_all("video")
# 遍历 <video> 标签，提取视频链接
for video in videoList:
    videoUrl = video["src"]
    print(videoUrl)

不过类似于图片懒加载，很多网站中，<video> 标签中的 src 属性是动态赋值的，甚至整个 <video> 标签都是 js 动态创建出来的，这种情况下，直接从 HTML 源码中查找 <video> 标签提取视频链接的方式是行不通的。

经过观察发现，这种情况下的视频链接写在 <script> 标签下的 js 脚本中，为了方便，我们可以直接使用 正则表达式 用来提取。

import re

result = re.search('http.*mp4', html)
if result:
    video = result.group()
    print(video)

这种方式会将所有开头是 http ，结尾是 mp4 的字符串提取出来，有可能会提取到重复的链接，也可能会提取到无关的视频链接，也有可能会提取到不完整的视频链接（如果后面带参数的话）。

需要根据实际情况调整自己的正则表达式和筛选策略。

7. 使用多线程提高爬取效率

在我前段时间完成的新闻网站爬虫项目中，需要爬取 13 个新闻网站，每个网站需要分别爬取数百个关键词的搜索结果，最终爬到的文件数量要近百万个，几十个GB 大小。

这么庞大的数据量，如果用单线程来跑，昼夜不停的跑估计得至少爬一个月吧。

所以使用多线程就非常有必要了，可以极大提高爬取效率（最后大概两三天时间便爬完了）。

7.1 初识多线程

假设我们有 spider_1() 、spider_2() 、spider_3() 三个函数。

def spider_1():
    for i in range(10):
        print("this is thead spider_1")

def spider_2():
    for i in range(10):
        print("this is thead spider_2")    

def spider_3():
    for i in range(10):
        print("this is thead spider_3")

当使用单线程运行时，代码如下：

if __name__ == "__main__":
    spider_1()
    spider_2()
    spider_3()

三个函数依次执行，后者需要等前者完全执行完成后才会开始，总耗时为每个函数耗时之和。

如果希望提高执行效率，缩短程序耗时，那么可以改为使用 多线程 。

多线程可以用 threading 这个库。示例代码如下：

import threading

if __name__ == "__main__":
    threading.Thread(target=spider_1).start()
    threading.Thread(target=spider_2).start()
    threading.Thread(target=spider_3).start()

如上方式，便启动了 3 条线程，此时 spider_1() 、spider_2() 、spider_3() 三个函数同时并行运行，总耗时为 3 个函数中耗时最长的那个函数的耗时。

相比于依次执行，效率得到了极大提高。

7.2 带参数的函数

当然，如果多线程执行的函数有参数的话，可以通过 args 来传参，如：

threading.Thread(target=spider_1, args=(name,)).start()

注意，args=(name,) 中最后一个参数后面的逗号 , 不要忘记。

示例代码如下：

import threading

def spider_1(name):
    for i in range(10):
        print("this is thead spider_1" + name)    

def spider_2(name):
    for i in range(10):
        print("this is thead spider_2" + name)     

def spider_3(name):
    for i in range(10):
        print("this is thead spider_3" + name)     

if __name__ == "__main__":
    name1 = "aaa"
    name2 = "bbb"
    name3 = "ccc"
    threading.Thread(target=spider_1, args=(name1,)).start()
    threading.Thread(target=spider_2, args=(name2,)).start()
    threading.Thread(target=spider_3, args=(name3,)).start()

7.3 线程锁

对于大部分操作来讲，每个线程可以同时进行，互不影响，比如说发起网络请求，解析数据等；但对于有些操作来说，线程之间是互斥的，比如说文件读写，数据库操作等，同一时间只能允许一条线程使用。

而多线程启动以后，各个线程执行的顺序、进度都是不确定的。如果不做特殊处理，必然会出现各个线程争夺资源的情况。

以文件读写为例，当一个线程打开文件写入数据，在它写入完成关闭文件之前，文件都会处于只读状态。如果此时另一个线程也来向文件里写数据，该线程就会报错，文件处于只读状态无法写入。

这时候我们就可以用 线程锁 来解决。

在如文件读写，数据库操作等操作环节上锁，每次只放一个线程进去，等操作结束后再解锁，这样避免多个线程 "打架" ，造成错误。

示例代码如下：

lock = threading.Lock()

def saveQuestionDB(id, title, url):
    # 线程锁 上锁
    lock.acquire()
    
    # 数据库操作，每次只允许一条线程进行操作
    try:
        sql = "insert into questions values (%s,'%s','%s')"%(id, title, url)
        cursor.execute(sql)
        db.commit()
    except Exception as e:
        db.rollback()
        print(e)
        
    # 线程锁 解锁
    lock.release()

7.4 多线程任务分配

前面我们知道，程序运行的总时长，是根据耗时最长的那条线程来定的，所以为了尽可能缩短程序总耗时，我们需要把任务尽可能均匀地拆分给每一条线程。

以我的新闻爬虫项目为例，为了尽可能均匀地分配任务，同时使各线程的任务尽可能相对独立，于是我将每个网站每个关键词划分为一个线程，共 网站个数 * 关键词条数 条线程。

示例代码如下：

import threading

# 各个新闻网站的爬虫程序入口
def Spider_ZGRBW(keyword):
    # 中国日报网
    pass
def Spider_ZGXWW(keyword):
    # 中国新闻网
    pass
def Spider_RMW(keyword):
    # 人民网
    pass
# ......

# 多线程启动函数
def start_All_Spider(keyword):
    threading.Thread(target=Spider_ZGRBW, args=(keyword,)).start()
    threading.Thread(target=Spider_ZGXWW, args=(keyword,)).start()
    threading.Thread(target=Spider_RMW, args=(keyword,)).start()
    # ......
    
if __name__ == "__main__":
    # keywordList 是关键词列表
    for keyword in keywordList:
        start_All_Spider(keyword)

8. 异常处理增加爬虫稳健性

程序要想持久稳健地运行下去，代码写法要规范严谨，尽可能减少出错的可能；异常处理也必须要做好，不能因为报错而导致程序崩溃。此外有需要的话，还可以输出错误日志，方便后续调试。

8.1 代码写法要规范

下面是我总结的一些常见的容易出错的地方，大家写代码时候可以注意一下。

数组元素访问前要先判断数组大小，避免访问越界

titleList = bsObj.find_all("h1")
if len(titleList) >= 2:
    # 访问前必须判断数组大小，避免数组越界访问
    title = titleList[0].text
    subTitle = titleList[1].text
    print(title, subTitle)

获取组件要考虑为空的情况，组件使用前要判空，避免直接操作空对象。
cntObj:
content = cntObj.text
print(content)
访问标签属性前要先判断标签是否存在该属性，否则可能会报错

imgTag = bsObj.find("img");
# 通过 has_attr 判断标签是否包含属性
if imgTag and imgTag.has_attr("src"):
    imgSrc = imgTag["src"]
    print(imgSrc)

解析 json 时，判断是否有键，否则可能会报错

# 通过 in 判断 json 中是否包含该键值对
if "totalPages" in jsonObj:
    page = jsonObj["totalPages"]
    print(page)

保存文件前，先判断路径是否存在，若不存在，需要先创建。

# 通过 os.path.exists 判断路径是否存在
if not os.path.exists(path):
    # 通过 os.makedirs 创建路径
    os.makedirs(path)

8.2 异常捕获

规范的编码习惯可以帮我们避免很多的 Bug，但是保险起见，在一些容易出错的地方，如：网络请求，文件读写等位置，最好还是使用 try...catch... 进行异常捕获，增加程序稳健性。

示例代码如下：

import requests

url = "https://www.baidu.com"
try:
    r = requests.get(url)
    r.encoding = r.apparent_encoding
    r.raise_for_status()
    print(r.text)
except Exception as e:
    print("Error:", e)

8.3 输出日志

使用爬虫爬取数据时，经常会遇到有些网页爬取失败的情况。一般情况下，为了程序的稳健性，我们遇到网页爬取失败时可以直接跳过，先爬取其他网页。

但是造成网页爬取失败的原因是多样的，有可能是网页本身不可访问，有可能是触发反爬机制暂时被限制访问了，也可能是网页格式不一致没解析出来......

如果是由于网页本身不可访问，那我们可以直接忽略；但如果是爬虫不完善导致的爬取失败，我们则需要对这部分网页进行重新爬取。

所以，为了方便调试，分析网页爬取失败的具体原因，我们可以把需要的错误信息输出到 错误日志 里。

def saveErrorLog(url, err):
    """
    url: 爬取失败的网页链接
    err：错误信息
    """
    with open("log.txt", "a") as f:
        f.writeline(url)
        f.writeline(err)
        f.writeline("------"*10)
        
def spider(url):
    try:
        r = requests.get(url)
        ......
    except Exception as e:
        # 错误信息写入日志，方便后续调试
        saveErrorLog(url, e)

在爬取结束后，我们可以根据日志文件，对爬取失败的网页一一进行分析，确定爬取失败的具体原因，并根据这些信息来优化我们的爬虫。

9. 大文件的分批读取

当我们处理一个较大的文件时，一次性加载到内存可能会导致内存溢出，这时候就需要分批来读取。

9.1 pandas 分批读取大文件

在爬取新闻文章时，我经常收到一个需求，就是把正文内容跟别的信息一起存放到同一个 csv 文件中，这样的话，当爬取的新闻数量较大时，生成的 csv 文件体积也会变得特别的大。

在后续分析处理这个大文件时，如果使用 pandas 直接打开文件，就会出现内存溢出打开失败的报错。

pandas 提供了一种以迭代器的方式读取文件，将文件分批读取到内存里。

示例代码如下：

import pandas as pd

row_list = []
try:
    reader = pd.read_csv(filename, encoding='utf-8', header=None, iterator=True, chunksize=1000)
    for chunk in reader:
        row_list.extend(chunk.values.tolist())
except:
    pass

for row in row_list:
    print(row)

通过参数 chunksize 可以设置每个批次读取的数据条数，如以上代码中，每批读取 1000 条数据。

顺便插一句，我其实不太理解这样的需求。
可能有人觉得把所有数据放一个文件里，查看起来会比较方便。但是要知道，这么大数据量的情况下，你基本是不可能手动去查看的，都是用代码处理的。而用代码处理分析的话，数据放一个文件里和放多个文件里，是没什么区别的。
把所有数据放同一个文件里，优点基本可以忽略不计，但是缺点却有一大堆：
正文内容一般很长，存放在同一个 csv 中会导致单个文件体积过大，打开、查阅、处理起来都会很卡。
正文内容中，各种字符都有可能出现，如果出现如英文逗号 , 等符号，会直接导致 csv 解析错误。
数据保存时候，读写都是同一个文件，没法用多线程（用了也提升不大），影响效率。
一旦程序出错，写入了脏数据，很可能整个文件就废了，一切得从头重新开始。
......
相比之下，我更喜欢把 新闻标题，原文地址，新闻出处，发布日期 等信息合并放在 csv 中，正文内容 保存在单独的文件里（文件名记录在 csv 中）。需要查看正文时，通过 csv 表中记录的文件名即可找到对应的文件。
当然，这是后话，大家可以根据自己的需求和习惯，选择适合自己的数据保存的形式。

9.2 requests 分段下载大文件

我们通过 requests 下载大文件时，一次性请求大量的数据，是比较有风险的——它需要等所有数据全部下载完毕后才能保存，数据量大时这个过程耗时会很长，不确定因素也有很多，很可能因为各种因素，如网络波动等，导致保存失败，前功尽弃。

与前面同理，requests 提供了流式下载的方法，可以将数据切分成多个 chunk，然后分批下载保存。

示例代码如下：

import requests

url = 'https://vd.xxxxxx.com/xxxx.mp4'
r = requests.get(url,stream=True)#stream=True设置流式下载

with open('aaa.mp4','wb') as file:
    for i in r.iter_content(chunk_size=1024):
        if i:
            file.write(i)

大家在下载大文件，如视频时，可以使用这种方式。

10. 参数可以放到配置文件里

为了提高程序的灵活性，我们可以把一些经常需要变动的参数放到配置文件里，这样每次修改参数时，不需要修改代码。

例如，在新闻爬虫的项目中，我将数百个搜索关键词放到了配置文件里。

示例代码如下：

# 关键词配置文件为 keywords.txt，每个关键词独占一行

def readKeywords(filename):
    '''
    读取配置文件，获取搜索关键词列表
    '''
    keywords = []
    with open(filename, encoding="utf-8") as f:
        keywords = f.readlines()
        keywords = [kw.strip() for kw in keywords]
    return keywords

if __name__ == "__main__":
    # 读取关键词列表，并去重
    keywords = set(readKeywords("keywords.txt"))
    print(len(keywords))
    for kw in keywords:
        print(kw)

这样，如果需要增删或修改关键词，只需要调整配置文件，然后运行代码即可，非常方便。

如果文章中有哪里没有讲明白，或者讲解有误的地方，欢迎在评论区批评指正，或者扫描下面的二维码，加我微信，大家一起学习交流，共同进步。

最后修改：2022 年 11 月 30 日 06 : 00 PM

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复

评论 *

私密评论

名称 *

邮箱 *

地址

Python 网络爬虫 | 新闻爬虫 10 条经验分享

机灵鹤 • 2022 年 11 月 28 日

大家好，我是机灵鹤。

前段时间完成了一个爬虫项目，完成了国内 13 个主流新闻网站的内容采集（根据关键词爬取）。包括

中国日报网，中国新闻网，人民网，光明网，国际在线，央广网，央视网，中国网，凤凰网，网易新闻，新浪新闻，中国青年网，中青在线

虽然 新闻网站 这种文字类的爬虫相对较为简单，但是爬取过程中仍然遇到了不少的坑，项目完成后也有不小的收获。

现将自己的心得整理记录分享，希望对大家能有所帮助。

0. 目录

正文内容页面格式不统一
网页编码自动识别
获取总页数的几种常用方法
如何实现断点续存
文件名特殊字符剔除
网页中图片和视频的提取方法
使用多线程提高爬取效率
异常处理增加爬虫稳健性
大文件的分批读取
参数可以放到配置文件里

1. 正文内容页面格式不统一

大家可能遇到过这种情况，在根据关键词搜索结果爬取新闻时，新闻正文页格式不统一。

比如在《人民网》，以 春节 为关键词的搜索结果中，就有多种不同格式的新闻页：

《李焕之与《春节序曲》》中，正文内容在属性为 rm_txt_con 的 div 标签下。

在《平台春节“发红包”如何实现双赢》中，正文内容在属性为 artDet 的 div 标签下。

而《春节档电影市场再创佳绩》中，正文内容在属性为 show_text 的 div 标签下。

解析网页时必须对各种界面进行兼容适配，否则轻则漏爬一批新闻网页，重则触发异常甚至导致程序崩溃。

针对上述情况，如果大家有比较好的解决方法的话，欢迎找我交流。

我简单讲讲我的解决方法。

首先我们可以使用最简单的方法 if...else... 来判断，示例代码如下：

cont1 = bsObj.find("div", attrs={"class": "rm_txt_con"})
if cont1:
    # parse content 1
else:
    cont2 = bsObj.find("div", attrs={"class": "artDet"})
    if cont2:
        # parse content 2
    else:
        cont3 = bsObj.find("div", attrs={"class": "show_text"})
        if cont3:
            # parse content 3
        else:
            print("parse failed")

这种方法逻辑简单，实现起来也很方便，也确实可以解决问题。

但是在页面格式类型较多时，代码就会显得非常臃肿，尤其是 python 代码需要严格执行缩进的情况下，代码会变得特别不美观，维护起来也非常不方便。

所以我们可以用走配置的方法，对上述代码进行优化。

# 走配置的方法 
confilter = [
    {"tag": "div", "type": "class", "value": "rm_txt_con"},
    {"tag": "div", "type": "class", "value": "box_con"},
    {"tag": "div", "type": "class", "value": "box_text"},
    {"tag": "div", "type": "class", "value": "show_text"},
    {"tag": "div", "type": "id", "value": "p_content"},
    {"tag": "div", "type": "class", "value": "artDet"},
]

for f in confilter:
    con = bsObj.find(f["tag"], attrs={f["type"]: f["value"]})
    if con:
        # parse content
        break

这样的话，每增加一种网页类型，只需要在配置中增加一行既可，非常方便。

2. 网页编码自动识别

不同网页使用的字符编码各不相同，最常用的是 utf-8 和 GB2312 。

如果解析网页内容时，字符编码设置不匹配，就会导致爬取到的文字乱码。

如何自动识别网页的编码，可以试一下 chardet 库，它可以根据网页内容自动推测最有可能的编码格式，以及相应的置信度。

import chardet
import requests

r = requests.get("https://www.xxxxxxxxx.com")
# 推测网页内容的编码格式
data =chardet.detect(r.content)
# 结果是 json 格式，
# data["encoding"] 为编码格式，data["confidence"] 为置信度
if data["confidence"] > 0.9:
    r.encoding = data["encoding"]
else:
    r.encoding = "utf-8"
print(r.text)

当然，也有更加简洁的方法 apparent_encoding 。

import chardet
import requests

r = requests.get("https://www.xxxxxxxxx.com")
r.encoding = r.apparent_encoding
print(r.text)

两者识别效果差不多，后者写法更加简洁，使用更加方便；前者可以查看更加详细的编码识别信息。具体使用哪一种方法，就要实际情况自行选择了。

不过，在使用过程中发现，这两种识别网页编码的方法并非百分百准确识别，有些新闻网页（我猜测网页中混合使用了多种编码格式的内容）会识别为错误的编码，导致解析出乱码。

3. 获取总页数的几种常用方法

当我们循环爬取新闻列表时，会遇到一个非常重要的问题，就是程序到底需要循环多少次。

翻译过来就是 新闻列表共有多少页 。

以关键词搜索的搜索结果，不同的网站有不同的展示方式，对应着获取总页数的方式也各不相同。

3.1 返回结果 `json` 里包含总页数

以 凤凰网 为例，在关键词搜索结果的请求响应消息中，包含了 total 和 totalPage 两个字段，分别代表搜索结果的总条数和总页数。

这种情况下，我们直接解析 json 提取总页数即可。

示例代码如下：

page = jsonObj["data"]["totalPage"]
print(int(page))

当然为了防止将来消息协议变化，解析 json 时找不到键而报错崩溃，可以在解析前加一道判断（判断键是否存在），增加程序的稳健性。

if "data" in jsonObj and "totalPage" in jsonObj["data"]:
    page = jsonObj["data"]["totalPage"]
    print(int(page))

3.2 解析 `尾页` 按钮的链接

在有翻页按钮的网站，如果有 尾页，末页，或 最后一页 等按钮，解析该按钮的跳转链接，可以知道搜索结果的总页数。

所以，我们只需要获取到 尾页 按钮的点击响应事件，提取出它的参数，便得到了总页数。

示例代码如下：

# 获取尾页按钮
bsObj = BeautifulSoup(html, "html.parser")
pagediv = bsObj.find("div", attrs={"id": "pagediv"})
lastPage = pagediv.find_all("a")[-1]
# 从尾页按钮的 href 中提取总页码
total = re.findall(r"\d+", lastPage["href"])
print(int(total[0]))

我们把代码完善一下，增加其稳健性，并进行一下封装。

def getTotal_ZGXWW(html):
    bsObj = BeautifulSoup(html, "html.parser")
    pagediv = bsObj.find("div", attrs={"id": "pagediv"})
    if not pagediv:
        return 0
    lastPage = pagediv.find_all("a")
    if len(lastPage) > 0 and lastPage[-1] and "href" in lastPage[-1]:
        total = re.findall(r"\d+", lastPage[-1]["href"])
        if len(total) > 0:
            return int(total[0])
    return 0

3.3 搜索结果总数除以每页展示数

搜索结果页面，一般会显示本次搜索总条目数，使用总数除以每页的条目数，结果取整，即可得到总页数。

以 央视网 为例，在页面顶部的 <div class = "lmdhd"> 标签中，有显示本次搜索结果的总条数。

而一般每一页显示的条目数量固定，我们只需要用总条数除以每页条目数，结果向上取整，即可得到总页数。

示例代码如下：

bsObj = BeautifulSoup(html, "html.parser")
# 获取标签
lmdhd = bsObj.find("div", attrs={"class": "lmdhd"})
# 正则提取总条数
total = re.findall(r"\d+", lmdhd.text)
# 计算总页数(每页 10 条)
totalPage = Math.ceil(int(total[0]) / 10)
print(totalPage)

我们把代码完善一下，增加其稳健性，并进行一下封装。

def getTotal_YSW(html):
    bsObj = BeautifulSoup(html, "html.parser")
    lmdhd = bsObj.find("div", attrs={"class": "lmdhd"})
    if not lmdhd:
        return 0
    total = re.findall(r"\d+", lmdhd.text)
    if len(total) > 0:
        totalPage = Math.ceil(int(total[0]) / 10)
        return totalPage
    return 0

不过这种方法不一定准确，因为很多网站的搜索结果并不是全量展示的，仅仅展示前若干页的数据。

这样就会导致一些问题，如爬取到大量重复数据；在爬取过程中出现空数据甚至报错等，所以需要做好 数据去重 和 异常捕获 等工作。

3.4 循环爬取直到终止条件

对于一些瀑布流展示数据的网站，对页码的划分不是很明显，我们没有办法直接得知它的总页数是多少。

这样的话，我们可以在 while(True) 循环中加入终止条件的判断，如 返回的数据为空，发布时间不符合要求 等条件。

示例代码（伪代码）如下：

每次循环获取下一页链接，下一页链接为空时退出

while(True):
    # 爬取数据，以及下一页的链接
    data, url = getData_And_NextUrl(url)
    # 保存数据
    saveData(data)
    # 当下一页链接为空时退出
    if not url:
        break;

每次循环获取数据，数据为空时退出

while(True):
    # 爬取数据，以及下一页的链接
    data, url = getData_And_NextUrl(url)
    # 当数据为空时退出
    if not data:
        break;
    # 保存数据
    saveData(data)

4. 如何实现断点续存

所以加入 断点续存 的功能就显得很人性化了。

访问新闻详情页之前，先检索本地有没有对应的已保存好的新闻文件，若有，则跳过，若没有，则开始爬取。

示例代码如下：

# fetchNewsUrlList 函数用来获取搜索结果中某一页的全部新闻链接
# keyword 是搜索的关键词，page 是页码
newsList = fetchNewsUrlList(keyword, page)
for url in newsList:
    # getFilenameByUrl 函数用来根据 url 获取保存该网页新闻的文件名
    filename = getFilenameByUrl(url)
    # path 是文件保存的路径
    # 如果该文件存在，则跳过
    if os.path.exists(path + filename):
        continue
    # 若没有该文件，则爬取该网页并保存新闻内容
    content = getNewsContent(url)
    saveData(content)

此外，对于一些需要定期增量爬取数据的项目中，这种 断点续存 机制也是很有必要的。

5. 文件名中特殊字符剔除

我们知道 .txt 文件的文件名中，是不允许包含一些特殊字符的。

文件名不能包含下列任何字符：\ / : * ? " < > |

如果我们使用新闻标题作为保存的文件名，标题中的一些特殊字符很可能会导致文件保存失败，甚至报错造成出现崩溃。

所以，如果我们使用新闻标题作为保存的文件名，需要对文件名进行一些处理，剔除或替换其中的特殊字符。

# 使用正则表达式剔除特殊字符
import re

def fixFilename(filename):
    intab = r'[?*/\\|.:><]'
    newName = re.sub(intab, "", filename)
    return newName

filename = "*/fadsa-*a/s-*|,.;<>-"
print(fixFilename(filename))

运行结果：

fadsa-as-,;-

使用处理后的字符串做文件名时，就不会有问题了。

所以你可以用 替换字符 的方法来解决。

# 将特殊字符替换成对应的中文字符（或自定义字符）
def fixFilename(filename):
    cfg = [
        {"char":"?", "rep": "？"},
        {"char":"*", "rep": ""},
        {"char":"/", "rep": ""},
        {"char":"\\", "rep": ""},
        {"char":"|", "rep": ""},
        {"char":".", "rep": "。"},
        {"char":":", "rep": "："},
        {"char":">", "rep": "》"},
        {"char":"<", "rep": "《"},
    ]
    for item in cfg:
        filename = filename.replace(item["char"], item["rep"])
    return filename

filename = "*/fadsa-*a/s-*|,.;<>-"
print(fixFilename(filename))

运行结果：

fadsa-as-,。;《》-

6. 网页中图片和视频的提取方法

跟文字类似，有的网站的图片数据是以 json 格式返回的，有的则是渲染在 html 页面中返回的。

6.1 从 JSON 中提取数据

如果是 json 格式的数据，解析就非常简单了，按正常的 json 解析流程解析即可。

例如，我们构造一个 json 格式的示例数据：

data = {
    "content": [
        {
            "id" : "item_ID_0001",
            "img" : "https://www.asdasdasd.com/asdasdasd.jpg"
        },
        {
            "id" : "item_ID_0002",
            "img" : "https://www.asdasdasd.com/qweqweqwe.jpg"
        },
    ]
}

数据解析示例代码如下：

# 通过 ["content"] 可以获得 data 中 "content" 键对应的值
content = data["content"]
print(content)

# 运行结果：
#   [{'id': 'item_ID_0001', 'img': 'https://www.asdasdasd.com/asdasdasd.jpg'},
#    {'id': 'item_ID_0002', 'img': 'https://www.asdasdasd.com/qweqweqwe.jpg'}]

# content 是一个数组，有两个元素，我们用 for in 循环来遍历
for item in content:
    print(item)

# 运行结果：
#    {'id': 'item_ID_0001', 'img': 'https://www.asdasdasd.com/asdasdasd.jpg'}
#    {'id': 'item_ID_0002', 'img': 'https://www.asdasdasd.com/qweqweqwe.jpg'}

# item 也可以用同样的方式解析，得到 "img" 键对应的值
for item in content:
    img = item["img"]
    print(img)
    
# 运行结果
#    https://www.asdasdasd.com/asdasdasd.jpg
#    https://www.asdasdasd.com/qweqweqwe.jpg

这样便可以从 json 中解析得到我们想要的数据，包括图片链接，视频链接数据等。

6.2 从 HTML 中提取图片数据

但是大部分情况下，图片数据是渲染在 html 中的，需要解析网页源码才能得到。解析 html 的方式很多，下面我用 BeautifulSoup 为例进行讲解。

一般来说，显示图片的标签为 <img> ，属性名 src 为图片的链接。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
# 获取网页中的全部 <img> 标签
imageList = bsObj.find_all("img")
# 遍历 <img> 标签，提取图片链接
for img in imageList:
    # 通过 ["src"] 可以获取标签中的 "src" 属性
    link = img["src"]
    print(link)

有的网站图片懒加载，src是一个统一的占位图片，甚至可能没有 src 属性，而真实的图片链接在自定义属性如 data-url 中，需要做好兼容处理。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
imageList = bsObj.find_all("img")
for img in imageList:
    link = img["data-url"]
    print(link)

对于获取到的图片链接，每个网站的显示格式也有细微差别。

# 有的图片是完整的链接，如：
imgUrl1 = "https://www.xxxxxx.com/asdasdasd.jpg"
# 有的图片缺少 http:(或 https:)
imgUrl2 = "//www.xxxxxx.com/asdasdasd.jpg"
# 有的图片是相对路径，需要补全域名
imgUrl3 = "./asdasdasd.jpg"

对于不完整的图片链接，需要自己补全。

6.3 从 HTML 中提取视频地址

视频一般在 <video> 标签中，标签的属性名 src 为视频的链接。

一般来说，长视频网站的视频都是 m3u8 格式，对应的 video 标签中的 src 是一个 blob: 开头的地址，这种解析起来稍稍复杂一些，本文暂且不谈。
而短视频网站中的视频，一般不需要经过切片处理，对应的 video 标签中的 src 是视频的地址，可以通过这个地址直接播放和下载视频。

我爬的这些新闻网站，大部分的视频都是 .mp4 格式的，直接提取链接即可。

from bs4 import BeautifulSoup

# html 为此前获取得到的网页源码
bsObj = BeautifulSoup(html, "html.parser")
# 获取网页中的所有 <video> 标签
videoList = bsObj.find_all("video")
# 遍历 <video> 标签，提取视频链接
for video in videoList:
    videoUrl = video["src"]
    print(videoUrl)

经过观察发现，这种情况下的视频链接写在 <script> 标签下的 js 脚本中，为了方便，我们可以直接使用 正则表达式 用来提取。

import re

result = re.search('http.*mp4', html)
if result:
    video = result.group()
    print(video)

需要根据实际情况调整自己的正则表达式和筛选策略。

7. 使用多线程提高爬取效率

这么庞大的数据量，如果用单线程来跑，昼夜不停的跑估计得至少爬一个月吧。

所以使用多线程就非常有必要了，可以极大提高爬取效率（最后大概两三天时间便爬完了）。

7.1 初识多线程

假设我们有 spider_1() 、spider_2() 、spider_3() 三个函数。

def spider_1():
    for i in range(10):
        print("this is thead spider_1")

def spider_2():
    for i in range(10):
        print("this is thead spider_2")    

def spider_3():
    for i in range(10):
        print("this is thead spider_3")

当使用单线程运行时，代码如下：

if __name__ == "__main__":
    spider_1()
    spider_2()
    spider_3()

三个函数依次执行，后者需要等前者完全执行完成后才会开始，总耗时为每个函数耗时之和。

如果希望提高执行效率，缩短程序耗时，那么可以改为使用 多线程 。

多线程可以用 threading 这个库。示例代码如下：

import threading

if __name__ == "__main__":
    threading.Thread(target=spider_1).start()
    threading.Thread(target=spider_2).start()
    threading.Thread(target=spider_3).start()

如上方式，便启动了 3 条线程，此时 spider_1() 、spider_2() 、spider_3() 三个函数同时并行运行，总耗时为 3 个函数中耗时最长的那个函数的耗时。

相比于依次执行，效率得到了极大提高。

7.2 带参数的函数

当然，如果多线程执行的函数有参数的话，可以通过 args 来传参，如：

threading.Thread(target=spider_1, args=(name,)).start()

注意，args=(name,) 中最后一个参数后面的逗号 , 不要忘记。

示例代码如下：

import threading

def spider_1(name):
    for i in range(10):
        print("this is thead spider_1" + name)    

def spider_2(name):
    for i in range(10):
        print("this is thead spider_2" + name)     

def spider_3(name):
    for i in range(10):
        print("this is thead spider_3" + name)     

if __name__ == "__main__":
    name1 = "aaa"
    name2 = "bbb"
    name3 = "ccc"
    threading.Thread(target=spider_1, args=(name1,)).start()
    threading.Thread(target=spider_2, args=(name2,)).start()
    threading.Thread(target=spider_3, args=(name3,)).start()

7.3 线程锁

而多线程启动以后，各个线程执行的顺序、进度都是不确定的。如果不做特殊处理，必然会出现各个线程争夺资源的情况。

以文件读写为例，当一个线程打开文件写入数据，在它写入完成关闭文件之前，文件都会处于只读状态。如果此时另一个线程也来向文件里写数据，该线程就会报错，文件处于只读状态无法写入。

这时候我们就可以用 线程锁 来解决。

在如文件读写，数据库操作等操作环节上锁，每次只放一个线程进去，等操作结束后再解锁，这样避免多个线程 "打架" ，造成错误。

示例代码如下：

lock = threading.Lock()

def saveQuestionDB(id, title, url):
    # 线程锁 上锁
    lock.acquire()
    
    # 数据库操作，每次只允许一条线程进行操作
    try:
        sql = "insert into questions values (%s,'%s','%s')"%(id, title, url)
        cursor.execute(sql)
        db.commit()
    except Exception as e:
        db.rollback()
        print(e)
        
    # 线程锁 解锁
    lock.release()

7.4 多线程任务分配

示例代码如下：

import threading

# 各个新闻网站的爬虫程序入口
def Spider_ZGRBW(keyword):
    # 中国日报网
    pass
def Spider_ZGXWW(keyword):
    # 中国新闻网
    pass
def Spider_RMW(keyword):
    # 人民网
    pass
# ......

# 多线程启动函数
def start_All_Spider(keyword):
    threading.Thread(target=Spider_ZGRBW, args=(keyword,)).start()
    threading.Thread(target=Spider_ZGXWW, args=(keyword,)).start()
    threading.Thread(target=Spider_RMW, args=(keyword,)).start()
    # ......
    
if __name__ == "__main__":
    # keywordList 是关键词列表
    for keyword in keywordList:
        start_All_Spider(keyword)

8. 异常处理增加爬虫稳健性

8.1 代码写法要规范

下面是我总结的一些常见的容易出错的地方，大家写代码时候可以注意一下。

数组元素访问前要先判断数组大小，避免访问越界

titleList = bsObj.find_all("h1")
if len(titleList) >= 2:
    # 访问前必须判断数组大小，避免数组越界访问
    title = titleList[0].text
    subTitle = titleList[1].text
    print(title, subTitle)

获取组件要考虑为空的情况，组件使用前要判空，避免直接操作空对象。
cntObj:
content = cntObj.text
print(content)
访问标签属性前要先判断标签是否存在该属性，否则可能会报错

imgTag = bsObj.find("img");
# 通过 has_attr 判断标签是否包含属性
if imgTag and imgTag.has_attr("src"):
    imgSrc = imgTag["src"]
    print(imgSrc)

解析 json 时，判断是否有键，否则可能会报错

# 通过 in 判断 json 中是否包含该键值对
if "totalPages" in jsonObj:
    page = jsonObj["totalPages"]
    print(page)

保存文件前，先判断路径是否存在，若不存在，需要先创建。

# 通过 os.path.exists 判断路径是否存在
if not os.path.exists(path):
    # 通过 os.makedirs 创建路径
    os.makedirs(path)

8.2 异常捕获

示例代码如下：

import requests

url = "https://www.baidu.com"
try:
    r = requests.get(url)
    r.encoding = r.apparent_encoding
    r.raise_for_status()
    print(r.text)
except Exception as e:
    print("Error:", e)

8.3 输出日志

如果是由于网页本身不可访问，那我们可以直接忽略；但如果是爬虫不完善导致的爬取失败，我们则需要对这部分网页进行重新爬取。

所以，为了方便调试，分析网页爬取失败的具体原因，我们可以把需要的错误信息输出到 错误日志 里。

def saveErrorLog(url, err):
    """
    url: 爬取失败的网页链接
    err：错误信息
    """
    with open("log.txt", "a") as f:
        f.writeline(url)
        f.writeline(err)
        f.writeline("------"*10)
        
def spider(url):
    try:
        r = requests.get(url)
        ......
    except Exception as e:
        # 错误信息写入日志，方便后续调试
        saveErrorLog(url, e)

在爬取结束后，我们可以根据日志文件，对爬取失败的网页一一进行分析，确定爬取失败的具体原因，并根据这些信息来优化我们的爬虫。

9. 大文件的分批读取

当我们处理一个较大的文件时，一次性加载到内存可能会导致内存溢出，这时候就需要分批来读取。

9.1 pandas 分批读取大文件

在后续分析处理这个大文件时，如果使用 pandas 直接打开文件，就会出现内存溢出打开失败的报错。

pandas 提供了一种以迭代器的方式读取文件，将文件分批读取到内存里。

示例代码如下：

import pandas as pd

row_list = []
try:
    reader = pd.read_csv(filename, encoding='utf-8', header=None, iterator=True, chunksize=1000)
    for chunk in reader:
        row_list.extend(chunk.values.tolist())
except:
    pass

for row in row_list:
    print(row)

通过参数 chunksize 可以设置每个批次读取的数据条数，如以上代码中，每批读取 1000 条数据。

顺便插一句，我其实不太理解这样的需求。
可能有人觉得把所有数据放一个文件里，查看起来会比较方便。但是要知道，这么大数据量的情况下，你基本是不可能手动去查看的，都是用代码处理的。而用代码处理分析的话，数据放一个文件里和放多个文件里，是没什么区别的。
把所有数据放同一个文件里，优点基本可以忽略不计，但是缺点却有一大堆：
正文内容一般很长，存放在同一个 csv 中会导致单个文件体积过大，打开、查阅、处理起来都会很卡。
正文内容中，各种字符都有可能出现，如果出现如英文逗号 , 等符号，会直接导致 csv 解析错误。
数据保存时候，读写都是同一个文件，没法用多线程（用了也提升不大），影响效率。
一旦程序出错，写入了脏数据，很可能整个文件就废了，一切得从头重新开始。
......
相比之下，我更喜欢把 新闻标题，原文地址，新闻出处，发布日期 等信息合并放在 csv 中，正文内容 保存在单独的文件里（文件名记录在 csv 中）。需要查看正文时，通过 csv 表中记录的文件名即可找到对应的文件。
当然，这是后话，大家可以根据自己的需求和习惯，选择适合自己的数据保存的形式。

9.2 requests 分段下载大文件

与前面同理，requests 提供了流式下载的方法，可以将数据切分成多个 chunk，然后分批下载保存。

示例代码如下：

import requests

url = 'https://vd.xxxxxx.com/xxxx.mp4'
r = requests.get(url,stream=True)#stream=True设置流式下载

with open('aaa.mp4','wb') as file:
    for i in r.iter_content(chunk_size=1024):
        if i:
            file.write(i)

大家在下载大文件，如视频时，可以使用这种方式。

10. 参数可以放到配置文件里

为了提高程序的灵活性，我们可以把一些经常需要变动的参数放到配置文件里，这样每次修改参数时，不需要修改代码。

例如，在新闻爬虫的项目中，我将数百个搜索关键词放到了配置文件里。

示例代码如下：

# 关键词配置文件为 keywords.txt，每个关键词独占一行

def readKeywords(filename):
    '''
    读取配置文件，获取搜索关键词列表
    '''
    keywords = []
    with open(filename, encoding="utf-8") as f:
        keywords = f.readlines()
        keywords = [kw.strip() for kw in keywords]
    return keywords

if __name__ == "__main__":
    # 读取关键词列表，并去重
    keywords = set(readKeywords("keywords.txt"))
    print(len(keywords))
    for kw in keywords:
        print(kw)

这样，如果需要增删或修改关键词，只需要调整配置文件，然后运行代码即可，非常方便。

如果文章中有哪里没有讲明白，或者讲解有误的地方，欢迎在评论区批评指正，或者扫描下面的二维码，加我微信，大家一起学习交流，共同进步。

0. 目录

1. 正文内容页面格式不统一

2. 网页编码自动识别

3. 获取总页数的几种常用方法

3.1 返回结果 json 里包含总页数

3.2 解析 尾页 按钮的链接

3.3 搜索结果总数除以每页展示数

3.4 循环爬取直到终止条件

4. 如何实现断点续存

5. 文件名中特殊字符剔除

6. 网页中图片和视频的提取方法

6.1 从 JSON 中提取数据

6.2 从 HTML 中提取图片数据

6.3 从 HTML 中提取视频地址

7. 使用多线程提高爬取效率

7.1 初识多线程

7.2 带参数的函数

7.3 线程锁

7.4 多线程任务分配

8. 异常处理增加爬虫稳健性

8.1 代码写法要规范

8.2 异常捕获

8.3 输出日志

9. 大文件的分批读取

9.1 pandas 分批读取大文件

9.2 requests 分段下载大文件

10. 参数可以放到配置文件里

发表评论 取消回复

Python 网络爬虫 | 新闻爬虫 10 条经验分享

0. 目录

1. 正文内容页面格式不统一

2. 网页编码自动识别

3. 获取总页数的几种常用方法

3.1 返回结果 json 里包含总页数

3.2 解析 尾页 按钮的链接

3.3 搜索结果总数除以每页展示数

3.4 循环爬取直到终止条件

4. 如何实现断点续存

5. 文件名中特殊字符剔除

6. 网页中图片和视频的提取方法

6.1 从 JSON 中提取数据

6.2 从 HTML 中提取图片数据

6.3 从 HTML 中提取视频地址

7. 使用多线程提高爬取效率

7.1 初识多线程

7.2 带参数的函数

7.3 线程锁

7.4 多线程任务分配

8. 异常处理增加爬虫稳健性

8.1 代码写法要规范

8.2 异常捕获

8.3 输出日志

9. 大文件的分批读取

9.1 pandas 分批读取大文件

9.2 requests 分段下载大文件

10. 参数可以放到配置文件里

3.1 返回结果 `json` 里包含总页数

3.2 解析 `尾页` 按钮的链接

发表评论取消回复

3.1 返回结果 `json` 里包含总页数

3.2 解析 `尾页` 按钮的链接