python爬虫项目设置一个中断重连的程序

做爬虫项目时，我们需要考虑一个爬虫在爬取时会遇到各种情况（网站验证，ip封禁），导致爬虫程序中断，这时我们已经爬取过一些数据，再次爬取时这些数据就可以忽略，所以我们需要在爬虫项目中设置一个中断重连的功能，使其在重新运行时从之前断掉的位置重新爬取数据。

实现该功能有很多种做法，我自己就有好几种思路，但是真要自己写出来就要费很大的功夫，下面我就把自己好不容易拼凑出来的代码展示出来吧。

首先是来介绍代码的思路：

将要爬取的网站连接存在一个数组new_urls中，爬取一个网址就将它移入另一个数组old_urls中，爬取网站时，就看它是在哪一个数组中，然后再决定要不要爬取。

下面展示代码（从别处抄的）：

class UrlManager(object):
    def __init__(self):				#定义两个数组
        self.new_urls=set()
        self.old_urls=set()

    def add_new_url(self, url):		#将一个url加入到new_urls数组中
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    def add_new_urls(self, urls):		#将多个url加入到new_urls数组中
        if urls is None or len(urls)==0:
            return
        for url in urls :
            self.add_new_url(url)

    def has_new_url(self):			#判断url是否为空
        return len(self.new_urls)!=0

    def get_new_url(self):
        #list.pop()默认移除列表中最后一个元素对象
        new_url=self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url

           

这个类实现了中断重连的基本功能，但是当我们要爬取的网址非常的，那这就对我们电脑的内存要求非常大，所以我们要将数组保存到文档中，增加一个从文档中提取网址的过程。

下面看代码：

class UrlManager(object):
    def __init__(self):						#建立两个数组的文件
        with open('new_urls.txt','r+') as new_urls:
            self.new_urls = new_urls.read()
        with open('old_urls.txt','r+') as old_urls:
            self.old_urls = old_urls.read()

    def add_new_url(self, url): 				 #添加url到new_ulrs文件中
        if url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            with open('new_urls.txt', 'a') as new_urls:
                new_urls.write(url)
        else:
            print('url had done')

    def add_new_urls(self, urls):				#添加多个url到new_ulrs文件中
        # if urls is None or (len(url) == 0 for url in urls):
        if urls is None:
            print('url is none')
            return
        for url in urls:
            if urls is None:
                print('url is none')
                return
            else:
                self.add_new_url(url)

    def has_new_url(self):
        return len(self.new_urls) != 0

    def get_new_url(self):				
        new_url = get_last_line('new_urls.txt')   	#读取new_urls文件中最后一个url
        del_last_url('new_urls.txt',new_url)		#删除new_urls文件中最后一个url
        add_old_urls('old_urls.txt',new_url)		#将读取出来的url添加入old_urls数组中
        return new_url


           

其中的get_last_line()函数有些复杂，这也是我卡时间最长的一块，

import os
def get_last_line(inputfile):
    filesize = os.path.getsize(inputfile)
    blocksize = 1024
    dat_file = open(inputfile, 'rb')

    last_line = b""
    lines = []
    if filesize > blocksize:
        maxseekpoint = (filesize // blocksize)  # 这里的除法取的是floor
        maxseekpoint -= 1
        dat_file.seek(maxseekpoint * blocksize)
        lines = dat_file.readlines()
        while ((len(lines) < 2) | ((len(lines) >= 2) & (lines[1] == b'\r\n'))):  # 因为在Windows下，所以是b'\r\n'
            # 如果列表长度小于2，或者虽然长度大于等于2，但第二个元素却还是空行
            # 如果跳出循环，那么lines长度大于等于2，且第二个元素肯定是完整的行
            maxseekpoint -= 1
            dat_file.seek(maxseekpoint * blocksize)
            lines = dat_file.readlines()
    elif filesize:  # 文件大小不为空
        dat_file.seek(0, 0)
        lines = dat_file.readlines()
    if lines:  # 列表不为空
        for i in range(len(lines) - 1, -1, -1):
            last_line = lines[i].strip()
            if (last_line != b''):
                break  # 已经找到最后一个不是空行的
    dat_file.close()
    return last_line

def del_last_url(fname,part):
    with open(fname,'rb+') as f:
        a = f.read()
    a = a.replace(part,b'')
    with open(fname,'wb+') as f:
        f.write(a)
        
def add_old_urls(fname,new_url):
    line = new_url + b'\r'
    with open(fname,'ab') as f:
        f.write(line)

           

好了，爬虫的中断重连的功能就实现了，下面要做的就是将该功能接入爬虫项目中，比较简单。