python爬虫 如何解决http error 503问题

从表面上看，Python爬虫程序运行中出现503错误是服务器的问题，其实真正的原因在程序，由于Python脚本运行过程中读取的速度太快，明显是自动读取而不是人工查询读取，这时服务器为了节省资源就会给Python脚本反馈回503错误。其实只要把爬取的速度放慢一点就好了。比如读取一条记录或几条记录后适当添加上timesleep(10)，这样就基本上不会出现503错误了。我本人在使用中一般是在每一次读取后都运行timesleep(1)或timesleep(3)，具体的数值根据不同的网站确定。

Python爬虫，全称Python网络爬虫，是一种按照一定的规则，自动地抓取万维网信息的程序或脚本，主要用于抓取证券交易数据、天气数据、网站用户数据和数据等，Python为支持网络爬虫正常功能实现，内置了大量的库，主要有几种类型。下面本篇文章就来给大家介绍。

一、Python爬虫网络库

Python爬虫网络库主要包括：urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq以及aiohttp等。

二、Python网络爬虫框架

Python网络爬虫框架主要包括：grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。

三、HTML/XML解析器

●lxml：C语言编写高效HTML/ XML处理库。支持XPath。

●cssselect：解析DOM树和CSS选择器。

●pyquery：解析DOM树和jQuery选择器。

●BeautifulSoup：低效HTML/ XML处理库，纯Python实现。

●html5lib：根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。

●feedparser：解析RSS/ATOM feeds。

●MarkupSafe：为XML/HTML/XHTML提供了安全转义的字符串。

●xmltodict：一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。

●xhtml2pdf：将HTML/CSS转换为PDF。

●untangle：轻松实现将XML文件转换为Python对象。

四、文本处理

用于解析和操作简单文本的库。

●difflib：（Python标准库）帮助进行差异化比较。

●Levenshtein：快速计算Levenshtein距离和字符串相似度。

●fuzzywuzzy：模糊字符串匹配。

●esmre：正则表达式加速器。

●ftfy：自动整理Unicode文本，减少碎片化。

五、特定格式文件处理

解析和处理特定文本格式的库。

●tablib：一个把数据导出为XLS、CSV、JSON、YAML等格式的模块。

●textract：从各种文件中提取文本，比如 Word、PowerPoint、PDF等。

●messytables：解析混乱的表格数据的工具。

●rows：一个常用数据接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT：将来还会提供更多！）。

六、自然语言处理

●NLTK：编写Python程序来处理人类语言数据的最好平台；

●Pattern：Python的网络挖掘模块；

●TextBlob：为深入自然语言处理任务提供了一致的API。是基于NLTK以及Pattern的巨人之肩上发展的；

●jieba：中文分词工具；

●SnowNLP：中文文本处理库；

●loso：另一个中文分词库；

●genius：基于条件随机域的中文分词；

●langidpy：独立的语言识别系统；

●Korean：一个韩文形态库；

●pymorphy2：俄语形态分析器(词性标注+词形变化引擎)；

●PyPLN：用Python编写的分布式自然语言处理通道。这个项目的目标是创建一种简单的方法使用NLTK通过网络接口处理大语言库。

七、浏览器自动化与仿真

●selenium：自动化真正的浏览器(Chrome浏览器，火狐浏览器，Opera浏览器，IE浏览器)；

●Ghostpy：对PyQt的webkit的封装(需要PyQT)；

●Spynner：对PyQt的webkit的封装(需要PyQT)；

●Splinter：通用API浏览器模拟器(selenium web驱动，Django客户端，Zope)。

八、多重处理

●threading：Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用，因为python GIL；

●multiprocessing：标准的Python库运行多进程；

●celery：基于分布式消息传递的异步任务队列/作业队列；

●concurrent-futures：concurrent-futures 模块为调用异步执行提供了一个高层次的接口。

九、异步网络编程库

●asyncio：(在Python 34 +版本以上的 Python标准库)异步I/O，时间循环，协同程序和任务；

●Twisted：基于事件驱动的网络引擎框架；

●Tornado：一个网络框架和异步网络库；

●pulsar：Python事件驱动的并发框架；

●diesel：Python的基于绿色事件的I/O框架；

●gevent：一个使用greenlet 的基于协程的Python网络库；

●eventlet：有WSGI支持的异步框架；

●Tomorrow：异步代码的奇妙的修饰语法。

十、队列

●celery：基于分布式消息传递的异步任务队列/作业队列；

●huey：小型多线程任务队列；

●RQ：基于Redis的轻量级任务队列管理器；

●simpleq：一个简单的，可无限扩展，基于Amazon SQS的队列；

●python-gearman：Gearman的Python API。

十一、云计算

picloud：云端执行Python代码；

dominoupcom：云端执行R，Python和matlab代码。

十二、电子邮件

●flanker：电子邮件地址和Mime解析库；

●Talon：Mailgun库用于提取消息的报价和签名。

十三、网址和网络地址操作

●furl：一个小的Python库，使得操纵URL简单化；

●purl：一个简单的不可改变的URL以及一个干净的用于调试和操作的API；

●urllibparse：用于打破统一资源定位器(URL)的字符串在组件之间的隔断，为了结合组件到一个URL字符串，并将“相对URL”转化为一个绝对URL，称之为“基本URL”；

●tldextract：从URL的注册域和子域中准确分离TLD，使用公共后缀列表；

●etaddr：用于显示和操纵网络地址的Python库。

十四、网页内容提取

●ewspaper：用Python进行新闻提取、文章提取和内容策展；

●html2text：将HTML转为Markdown格式文本；

●python-goose：HTML内容、文章提取器；

●lassie：人性化的网页内容检索工具；

●micawber：一个从网址中提取丰富内容的小库；

●sumy：一个自动汇总文本文件和HTML网页的模块；

●Haul：一个可扩展的图像爬虫；

●python-readability：arc90 readability工具的快速Python接口；

●scrapely：从HTML网页中提取结构化数据的库；

●youtube-dl：一个从YouTube下载视频的小命令行程序；

●you-get：Python3的YouTube、优酷/ Niconico视频下载器；

●WikiTeam：下载和保存wikis的工具。

十五、WebSocket

●Crossbar：开源的应用消息传递路由器；

●AutobahnPython：提供了WebSocket协议和WAMP协议的Python实现并且开源；

●WebSocket-for-Python：Python 2和3以及PyPy的WebSocket客户端和服务器库。

十六、DNS解析

●dnsyo：在全球超过1500个的DNS服务器上检查你的DNS；

●pycares：c-ares的接口。

十七、计算机视觉

●OpenCV：开源计算机视觉库；

●SimpleCV：用于照相机、图像处理、特征提取、格式转换的简介，可读性强的接口；

●mahotas：快速计算机图像处理算法，完全基于 numpy 的数组作为它的数据类型。

十八、代理服务器

●shadowsocks：一个快速隧道代理，可帮你穿透防火墙；

●tproxy：tproxy是一个简单的TCP路由代理，基于Gevent，用Python进行配置。

十九、其他Python工具列表

●awesome-python

●pycrumbs

●python-github-projects

●python_reference

●pythonidae

1 检查cookies

当出现无法保持登陆状态或者直接无法登陆站点的情况时，可以先去对cookies进行检查，这种情况有可能是cookies出现问题所导致的。

2 检查JavaScript

当站点页面缺少信息或出现空白时，可以去检查网站创建页面的JavaScript。

3 更换IP地址

如果出现403forbidden或者页面无法打开的问题，那么就很有可能是IP已经被站点服务器所封禁，遇到这种情况就需要更换自己的IP地址，目前来说最为方便的就是使用代理IP，例如IPIDEA，可以随时更换新的IP地址来确保爬虫的工作效率。