前言：有些时候，我们在查一些比较老的数据，由于网站升级，或者改版之类的，我们无法得到我们想要数据的网址，也就无法爬取数据，下面，我将带大家一起来分析一下自己的案例。
-
明确需求
背景：在网上搜自己的名字，居然找到一份文档，大概是这样的样子2015年普通高校招生录取名单公示(五) (sxkszx.cn)然后就顺腾摸瓜，想找到全部的数据——2015年全部的数据 -
查找数据
刚开始，由于找到了网站，2015年普通高校招生录取名单公示(五) (sxkszx.cn)，网址是http://www.sxkszx.cn/，我想在网站搜索，但是发现网站没有搜索功能，而且，更要命的是，这个每一页，没有上一页，下一页的链接，这样我们就找不到相关联的数据。
而且，我们发现，网址的拼接也是很奇怪，http://www.sxkszx.cn/news/2015722/n82552675.html，news代表新闻，2015722代表发布日期，后面的n82552675就很奇怪，如果改成n82552676则会404，也就是无法单纯的修改最后一位来完成地址的模拟 -
使用搜索引擎增强搜索力度
现在进入了困境，我们无法在该网站查找。不过我们可是使用
2015年普通高校招生录取名单 site:sxkszx.cn
来进行网站的查找，这样是使用搜索引擎来进行该网站的搜索，在百度地址栏输入搜索即可。
然后我们会找到
image.png
很多数据被找到了，然后我们分析一下，发现其中缺少了一些公示，这意味这数据不太完整。 -
网站地址分析 + 试探
现在问题又回到了原点，我们不知道网页的网址，那么就无法爬取数据。但是，现在要比最开始好很多，因为现在除了录取名单五以外，还多了很多，以供我们分析。- 整理一下，来分析一下数据的异同
image.png
为了能够看出其中的异同，我把数据一行一行列了出来，然后行号就是公示名单的数字标号（空缺部分表示目前未知的网站链接）
现在分析一下网址，我们发现，最后四位数字好像是递增的
image.png
对，这有点像是，新闻在数据库中存储的编号id，意味着这是第2669篇新闻，那么，第2670篇新闻的网址应该是怎样的呢？
推测如下
http://www.sxkszx.cn/news/日期/n四位不知名数字2670
且日期应当是在2015.7.22当天，或者之后
讲道理，我们这里应该要分析 四位不知名数字 的含义，或者讨论它是如何生成的，但是笔者想了很多，都没能猜到，之前猜测或者与时间/文章名字/等等，但是都不太对，总之没能猜到。
- 由于我们没猜到，所以我们有一个最朴素的想法，我们遍历0000-9999不就可以了吗？找到那个可以正确返回的链接
对，这个想法很正确。
下面的这一段代码，返回了一个列表，列表中包含了从0000-9999的所有可能的网址链接
def gene_urls():
base_url = "http://www.sxkszx.cn/news/"
date = "2015820"
newsId = "2745"
urls = []
for i in range(1, 10000):
s = str(i).zfill(4)
url = base_url + date + "/n" + s + newsId + ".html"
urls.append(url)
return urls
写到这里，大家可能觉得，这不很简单吗？直接
for url in urls:
response = requests.get(url)
if response.status.code == 200:
print url
break
但是，这是很朴素的单线程，我们做一个计算
我们大概空缺的是
日期 新闻id
722 2675
723 2676
...
83
...
2696
我们发现，一次尝试，都要花费很长的时间，如果我们想要全部试探，需要很长的时间，且，requests要不断断开，建立连接，花销很大。
下面，我们尝试多线程。
下面是一份很长的代码，大家不用关心具体怎么实现的，只要知道
single_thread 代表单线程
multi_thread 代表多线程
即可
# 不断尝试url，当返回不是404，则加入my_urls.txt中
import requests
import threading
import requests.adapters
import time
base_url = "http://www.sxkszx.cn/news/"
date = "2015722"
newsId = "2678"
# f = open("my_urls.txt", 'w+')
flag = 0
# count = 0
def gene_urls():
urls = []
for i in range(1, 10000):
s = str(i).zfill(4)
url = base_url + date + "/n" + s + newsId + ".html"
urls.append(url)
return urls
def test_url(url):
# response = requests.get(url=url, timeout=30)
# if response.status_code == 200:
# print(url)
# try:
# with requests.get(url, timeout=5) as r:
# if r.status_code == 200:
# flag = 1
# print(url)
# except:
# print("处理异常中...")
# time.sleep(5)
global flag
if flag == 0:
response = None
global count
try:
# 设置重连次数
requests.adapters.DEFAULT_RETRIES = 5
s = requests.session()
# 设置连接活跃状态为False
s.keep_alive = False
response = requests.get(url, stream=False, timeout=10)
if response.status_code == 200:
flag = 1
print(url)
# 关闭请求 释放内存
response.close()
del (response)
except Exception as indentfier:
time.sleep(5)
def single_thread(need_test_urls):
for url in need_test_urls:
global flag
if flag == 0:
test_url(url)
else:
break
def multi_thread(need_test_urls):
threads = []
for url in need_test_urls:
threads.append(
threading.Thread(target=test_url, args=(url,))
)
for thread in threads:
thread.start()
for thread in threads:
thread.join()
print("ok")
if __name__ == "__main__":
u = gene_urls()
multi_thread(u)
# single_thread(u)
但是问题到这里还没有结束，尽管编写上面的代码，已经踩了很多的坑，包括 如requests未断开；未手动断开（采用with 语句，自动断开会导致他会慢慢断开，还是会报错，max tries，服务器中止...）；
但是新的问题又来了，我发现这个代码在有的 日期 + 新闻id上可以运行出结果来，有的则不会，具体原因我也不太清楚，评论区的小伙伴有知道的，可以告诉一下我，谢谢~
- scrapy框架的使用
最后的最后，我实在受不了了，我大概明白，应该是并发的时候，导致requests的连接无法断开，或者断开需要时间，但是还没有断开的这个期间，新的请求已经发送了，这样就会有一部分请求是没有效果的，也就是一部分链接被卡掉了。
而这个，是目前的我所解决不了的。
于是我想着试一下scrapy，因为我之前听过scrapy，但是没有用过，想着用它来解决并发问题，会不会好点。
先说实验结果，最终成功解决了并发问题，对于每一个 日期 + 新闻id 所产生的链接列表，大概在1mins内可以得到结果，已经算是很快了。
再说下去，就要讲scrapy框架了，但是现在我好饿，我先去吃个饭饭，宝宝饿了
网友评论