爬虫程序又莫名崩溃了？教你这一招轻松解决！

2020-04-27 本文已影响0人奇峰他爹

每当我们写爬虫的时候，短暂的代码运行与抓取如果期间出现异常情况，我们可以及时的发现。可实际的爬虫开发项目往往运行需要耗时，对于增量式爬虫有时也是需要放到服务器上面跑的。这样我们就不能及时的观察到异常情况，那有没有比较容易实现的技术来解决这样的问题呢？（经验总结在最后）

答案是肯定的，有！那就是使用邮件通知，那具体如何操作呢？

接下来我来模拟写一下需求：

当爬虫出现故障时，第一时间通知程序员小哥哥来维护，采用邮件通知的方式。

那我们首先来介绍一下 Python 当中支持 Smtp 协议模块叫什么名字，有以下两个模块以及他们对应的作用：

email负责构造邮件
smtplib负责发送邮件
我们这里使用大家常用的 QQ 邮箱作为演示，小伙伴也可以使用其他邮箱可自行选择。在使用 QQ 邮箱时需要做以下配置。

1. QQ 邮箱配置

这里我们使用 SMTP 发信功能所以，您需要先开启 SMTP 发信功能才能通过 SMTP 接口发送邮件。

SMTP 协议是一个简单的邮件传输协议，利用它您可以将邮件发送给别人。此协议使用命令和应答在客户端与服务器之间传输报文。即客户端发出一个命令，服务器返回一个应答。发送方与接收方进行一问一答的交互，由发送方控制这个对话。

我先登陆到我们的 QQ 邮箱，界面如下：

在这里插入图片描述

选择设置，进入到如下界面：

在这里插入图片描述
找到：POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务

在这里插入图片描述

QQ 邮箱 SMTP 服务器地址：smtp.qq.com， ssl端口：465。

需要其他的服务器地址以及端口的小伙伴可以点击此链接：常用邮箱 SMTP 服务器地址大全

在这里插入图片描述

2. Python 发送邮件

以下实例你需要修改：发件人邮箱（你的QQ邮箱），密码，收件人邮箱（可发给自己）


import smtplib
from email.mime.text import MIMEText
from email.utils import formataddr

my_sender = '1432803776@qq.com'  # 发件人邮箱账号
my_pass = 'xxxxxxxxx'           # 发件人邮箱授权码 不是qq密码   
my_user = '1432803776@qq.com'    # 收件人邮箱账号，我这边发送给自己


"""
作为一个开发者。有一个学习的氛围跟一个交流圈子特别重要，
这是一个我的python全栈交流群： 587855308  ，
不管你是小白还是大牛欢迎入驻，分享技术，讨论技术，大家一起交流学习成长！
希望帮助开发者少走弯路
"""


def mail():
    ret = True
    try:
        msg = MIMEText('填写邮件内容', 'plain', 'utf-8')
        msg['From'] = formataddr(["AI悦创", my_sender])  # 括号里的对应发件人邮箱昵称、发件人邮箱账号
        msg['To'] = formataddr(["aiyuechuang", my_user])  # 括号里的对应收件人邮箱昵称、收件人邮箱账号
        msg['Subject'] = "发送邮件测试"  # 邮件的主题，也可以说是标题

        server = smtplib.SMTP_SSL("smtp.qq.com", 465)  # 发件人邮箱中的SMTP服务器，端口是25
        server.login(my_sender, my_pass)  # 括号中对应的是发件人邮箱账号、邮箱授权码
        server.sendmail(my_sender, [my_user, ], msg.as_string())  # 括号中对应的是发件人邮箱账号、收件人邮箱账号、发送邮件
        server.quit()  # 关闭连接
    except Exception:  # 如果 try 中的语句没有执行，则会执行下面的 ret=False
        ret = False
    return ret


ret = mail()
if ret:
    print("邮件发送成功")
else:
    print("邮件发送失败")

运行代码效果如下：

在这里插入图片描述

3. 实战

爬虫脚本是基于网站的结构去写的，但是随着互联网的发展，很多公司的页面结构会发生变化，发生的变化就会导致我们写的爬虫失效，最主要的失效方式是 xpath 的失效。随着我们写的爬虫越来越多，越就越来越难以发现这些失效的脚本，导致数据更新失败，不及时，或者不满足抓取的质量和数量要求。这就需要对爬虫的脚本进行监控。

监控的目的是让数据及时的更新，脚本及时的发现 bug 以及解决 bug。提高我们的工作效率。更好的保证线上数据产品的优质性。

目标网站：糗事百科>>> https://www.qiushibaike.com/text/

爬虫代码如下：

在这里插入代码片
import requests
from bs4 import BeautifulSoup
from requests.exceptions import RequestException
headers = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36',
}

class QiuShiBaiKe(object):
  def __init__(self, url):
    self.url = url
    self.headers = headers

  def requests_func(self):
    try:
      response = requests.get(self.url, headers = headers)
      if response.status_code == 200:
        return response.text
      return None
    except RequestException:
      return None

  def parse_page(self, html):
    soup = BeautifulSoup(html, 'lxml')
    result = soup.select('#content .content-block .col1 .article')
    for res in result:
      # imgs = res.select('.author a img')
      # print(imgs)
      img = res.select('.author a img')[0].get('src')
      # img = img[:len(user_name)-23]
      img = img[:img.find('.jpg') + len('.jpg')]
      user_name = list(res.select('.author a h2')[0].stripped_strings)[0]
      joke = list(res.select('.content span')[0].stripped_strings)[0]
      yield {
        'img':img,
        'user_name':user_name,
        'joke':joke,
      }
  def save_file(self, content):
    with open("joke.txt", 'a+' ,encoding = "utf-8")as f:
      f.write(content+"\n")

  def main(self):
    html = self.requests_func()
    for res in self.parse_page(html):
      self.save_file(str(res))
      print(res)

if __name__ == '__main__':
  urls = ['https://www.qiushibaike.com/text/page/{}/'.format(page) for page in range(1, 14)]
  for url in urls:
    result = QiuShiBaiKe(url)
    result.main()

3.1 添加邮件通知

把邮件通知单独创建一个 .py 文件，代码如下：


import smtplib
from email.mime.text import MIMEText
from email.utils import formataddr

my_sender = '1432803776@qq.com'  # 发件人邮箱账号
my_pass = 'xxxxxx'           # 发件人邮箱授权码 不是qq密码   
my_user = '1432803776@qq.com'    # 收件人邮箱账号，我这边发送给自己


def email_func(Email_content = None, Email_subject = None):
  try:
    msg = MIMEText(Email_content, 'plain', 'utf-8')
    msg['From'] = formataddr(["AI悦创", my_sender])  # 括号里的对应发件人邮箱昵称、发件人邮箱账号
    msg['To'] = formataddr(["aiyuechuang", my_user])  # 括号里的对应收件人邮箱昵称、收件人邮箱账号
    msg['Subject'] = Email_subject  # 邮件的主题，也可以说是标题

    server = smtplib.SMTP_SSL("smtp.qq.com", 465)  # 发件人邮箱中的SMTP服务器，端口是25
    server.login(my_sender, my_pass)  # 括号中对应的是发件人邮箱账号、邮箱授权码
    server.sendmail(my_sender, [my_user, ], msg.as_string())  # 括号中对应的是发件人邮箱账号、收件人邮箱账号、发送邮件
    server.quit()  # 关闭连接
    print("邮件发送成功")
  except Exception:
    print("邮件发送失败")

if __name__ == '__main__':
  email_func("AIyuechuang", "hjb")

上面的代码修改完毕之后，我们需要在爬虫的函数里面调用该函数，所以我们先导入函数：

from email_f import email_func

这里我们简单的进行调用函数：fromemail_fimportemail_func 更复杂的小伙伴可以自行添加哦。

这里我们为了照顾绝大多数同学，就人工指定爬虫异常时放回特定信息。当然小伙伴还可以直接返回报错信息。

我们编写在请求函数中：

def requests_func(self):
    try:
      response = requests.get(self.url, headers = headers)
      if response.status_code == 200:
        email_func("请求成功, 返回数据", "QiuShiBaiKe_Spider")
        return response.text
      else:
        email_func("请求成功, 没有返回数据！", "QiuShiBaiKe_Spider")
        return None
    except RequestException:
      email_func("请求失败！", "QiuShiBaiKe_Spider")
      return None

我们先正常运行代码查看效果：

在这里插入图片描述

至此，我们的邮件通知功能已经成功应用，这里有一点要跟小伙伴说的就是：为什么要把邮件单独写成一个 .py 文件，因为我们实际工作当中开发需要做到，模块化开发，上面所用到的是最基本的模块化。

3.2 应用场景：

3.2.1 正常更新的
例如糗事百科，每天都要爬取一遍插入数据库的时候，需要增加一个字段更新插入时间 refresh_time 如果爬虫正常，这样就可以保证，每天的 refresh_time 都是最新的。
3.2.2 不正常更新的
如何监控那些不正常更新的渠道（例如：链家租房）,你可以写 sql 语句查询每个渠道的更新时间。如果是最新的更新时间则说明是正常；如果不是判断多久没有更新，说爬虫数据异常。这时需要给指定的负责人发邮件，让他修改代码，使得爬虫正常运行。
3.2.3 爬虫中邮件通知一般加在哪呢？
看到这里，表示你已经成功使用并监控你的爬虫，不过对于新手可能会有疑问：我们一般把异常通知加载呢？这里列出几点来：

这里小伙伴们在编写代码中要用好 try...except ，这里要注意：except后面如果指定了报错类型我们可以在你使用 except的后面添加邮件通知。
发起 get、post、head 等请求时，需要添加异常处理，因为有时候你会遇到一些：Url 异常、headers 所带参数被该网站的反爬技术改变等，这样我们添加之后就能快速定位到哪里报错。
解析网站时，有时会因为网站的 HTML 结构或者 JSON、Ajax 改变，这时我们也需要用到邮件通知。

4. 总结

这里我们讲到了 Python 发送邮件，并在爬虫中调用。在什么地方添加邮件通知会帮助我们快速出现问题的代码位置：

try...except ：要添加
发起请求时要添加：get、post、head，因为有事还有一些应为你 SSL 造成问题。
解析网站时，有事数据未抓取到，无法提取而造成的报错，也需要在解析网站的位置添加邮件通知。

以上便是我总结的一些爬虫报警实战经验。希望对你的工作有所帮助。代码可以进球球裙，回复“爬虫报警”即可获取哦！

< 学习过程中有遇到不懂得问题可以随时找我咨询 >

爬虫程序又莫名崩溃了？教你这一招轻松解决！

1. QQ 邮箱配置

2. Python 发送邮件

3. 实战

3.1 添加邮件通知

3.2 应用场景：

4. 总结

猜你喜欢

热点阅读