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_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(': 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SocketTimeOutException 3.解决方法： import socket socket.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​