python 高度健壯性爬蟲的異常和超時問題
爬蟲這類型程序典型特征是意外多，無法確保每次請求都是穩定的返回統一的結果，要提高健壯性，能對錯誤數據or超時or程序死鎖等都能進行處理，才能確保程序幾個月不停止。本項目乃長期維護github： 反反爬蟲開源庫 中積累下來，更多干貨歡迎star。
目錄：
- 一：基礎try&except異常處理
- 二：普通請求函數的超時處理
- 三：selenium+chrome | phantomjs 的超時處理
- 四：自定義函數的死鎖or超時處理
- 五：自定義線程的死鎖or超時處理
- 六：自重啟的程序設計
一：基礎try&except異常處理
try&except的語句作用不僅僅是要讓其捕獲異常更重要的是讓其忽略異常，因為爬蟲中的絕大多數異常可能重新請求就不存在，因此，發現異常的時候將其任務隊列進行修復其實是個最省力的好辦法。
其次被try包住的語句即使出錯也不會導致整個程序的退出，相信我，你絕對不希望計劃跑一個周末的程序在半夜停止了。
try:
passhttp://top.jobbole.com/deliver-article/#
#可能出錯的語句
except Exception,e:
pass
#保留錯誤的url，留待下次重跑
print e
finally:
#無論是否處理了異常都繼續運行
print time.ctime()
二：請求函數的超時處理
2.1:普通請求：
2.1.1單請求類型：
import requests
requests.get(url,timeout=60)
2.1.2會話保持類型：
import requesocks
session = requesocks.session()
response = session.get(URL,headers=headers,timeout=10)
三：selenium+chrome | phantomjs 的超時處理
2.2.1：selenium+chrome的超時設置
官網原文：http://selenium-python.readthedocs.io/waits.html
顯式等待：、等待某個條件發生，然后再繼續進行代碼。
fromseleniumimportwebdriver
fromselenium.webdriver.common.byimportBy
fromselenium.webdriver.support.uiimportWebDriverWait
fromselenium.webdriver.supportimportexpected_conditionsas EC
driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
element = WebDriverWait(driver, 10).until( #這里修改時間
EC.presence_of_element_located((By.ID, "myDynamicElement"))
)
finally:
driver.quit()
隱式等待：是告訴WebDriver在嘗試查找一個或多個元素（如果它們不是立即可用的）時輪詢DOM一定時間。默認設置為0，一旦設置，將為WebDriver對象實例的生命期設置隱式等待。
fromseleniumimportwebdriver
driver = webdriver.Firefox()
driver.implicitly_wait(10) # seconds
driver.get("http://somedomain/url_that_delays_loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")
2.2.2：phantomjs的超時設置
這里使用不帶selenium的phantomjs，需要使用js。主要設置語句是
page.settings.resourceTimeout = 5000; // 等待5秒
var system = require('system');
var args = system.args;
var url = args[1];
var page = require('webpage').create();
page.settings.resourceTimeout = 5000; // 等待5秒
page.onResourceTimeout = function(e) {
console.log(e.errorCode); //打印錯誤碼
console.log(e.errorString);//打印錯誤語句
console.log(e.url); //打印錯誤url
phantom.exit(1);
};
page.open(url, function(status) {
if(status==='success'){
var html=page.evaluate(function(){
returndocument.documentElement.outerHTML;
});
console.log(html);
}
phantom.exit();
});
//$phantomjs xx.js http://bbs.pcbaby.com.cn/topic-2149414.html
四：自定義函數的死鎖or超時處理
這個非常重要！！
python是順序執行的，但是如果下一句話可能導致死鎖（比如一個while（1））那么如何強制讓他超時呢？他本身如果沒有帶有超時設置的話，就要自己運行信號（import signal）來處理
#coding:utf-8
import time
import signal
def test(i):
time.sleep(0.999)#模擬超時的情況
print "%d within time"%(i)
return i
def fuc_time(time_out):
# 此為函數超時控制，替換下面的test函數為可能出現未知錯誤死鎖的函數
def handler(signum, frame):
raise AssertionError
try:
signal.signal(signal.SIGALRM, handler)
signal.alarm(time_out)#time_out為超時時間
temp = test(1) #函數設置部分，如果未超時則正常返回數據，
return temp
except AssertionError:
print "%d timeout"%(i)# 超時則報錯
if __name__ == '__main__':
for i in range(1,10):
fuc_time(1)
五：自定義線程的死鎖or超時處理
在某個程序中一方面不適合使用selenium+phantomjs的方式（要實現的功能比較難不適合）因為只能用原生的phantomjs，但是這個問題他本身在極端情況下也有可能停止（在超時設置之前因為某些錯誤）
那么最佳方案就是用python單獨開一個線程（進程）調用原生phantomjs，然后對這個線程進程進行超時控制。
這里用ping這個命令先做測試，
import subprocess
from threading import Timer
import time
kill = lambda process: process.kill()
cmd = ["ping", "www.google.com"]
ping = subprocess.Popen(
cmd, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
my_timer = Timer(5, kill, [ping])#這里設定時間，和命令
try:
my_timer.start()#啟用
stdout, stderr = ping.communicate()#獲得輸出
#print stderr
print time.ctime()
finally:
print time.ctime()
my_timer.cancel()
六：自重啟的程序設計
比如程序在某種情況下報錯多次，，那么滿足條件后，讓其重啟即可解決大多數問題，當然這只不過是治標不治本而已，如果這個程序重啟沒有大問題（例如讀隊列類型）那么自重啟這是最省力的方式之一。
import time
import sys
import os
def restart_program():
python = sys.executable
os.execl(python, python, * sys.argv)
if __name__ == "__main__":
print 'start...'
print u"3秒后,程序將結束...".encode("utf8")
time.sleep(3)
restart_program()
來自：http://python.jobbole.com/87357/