python高度健壮性的异常和超时问题

爬虫/Python这类型程序典型特征是意外多，无法确保每次请求都是稳定的返回统一的结果，要提高健壮性，能对错误数据or超时or程序死锁等都能进行处理，才能确保程序几个月不停止。

一、基础try&except异常处理

try&except的语句作用不仅仅是要让其捕获异常更重要的是让其忽略异常，因为爬虫中的绝大多数异常可能重新请求就不存在，因此，发现异常的时候将其任务队列进行修复其实是个最省力的好办法。

其次被try包住的语句即使出错也不会导致整个程序的退出，相信我，你绝对不希望计划跑一个周末的程序在半夜停止了。

try:
    pass
    #可能出错的语句
except Exception,e:
    pass
    #保留错误的url，留待下次重跑
    print e
finally:
    #无论是否处理了异常都继续运行
    print time.ctime()

二、请求函数的超时处理

2.1 单请求类型：

import requests
requests.get(url,timeout=60)

2.2 会话保持类型：

import requesocks
session = requesocks.session()
response = session.get(URL,headers=headers,timeout=10)

三、selenium驱动chrome和phantomjs 的超时处理

官网手册：http://selenium-python.readthedocs.io/waits.html

3.1 显式等待：等待某个条件发生，然后再继续进行代码

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
 
driver = webdriver.Firefox()
driver.get("http://somedomain/url_that_delays_loading")
try:
    element = WebDriverWait(driver, 10).until(   #这里修改时间
        EC.presence_of_element_located((By.ID, "myDynamicElement"))
    )
finally:
    driver.quit()

3.2 隐式等待：是告诉WebDriver在尝试查找一个或多个元素（如果它们不是立即可用的）时轮询DOM一定时间。默认设置为0，一旦设置，将为WebDriver对象实例的生命期设置隐式等待。

from selenium import webdriver
driver = webdriver.Firefox()
driver.implicitly_wait(10) # seconds
driver.get("http://somedomain/url_that_delays_loading")
myDynamicElement = driver.find_element_by_id("myDynamicElement")

3.3 phantomjs的超时设置（一）：不带selenium的phantomjs，需要使用js

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);   //打印错误码
console.log(e.errorString);//打印错误语句
console.log(e.url);     //打印错误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

3.4 phantomjs的超时设置（二）：带selenium的phantomjs

主要可以利用selenium查找元素的等待特性，phantomjs webdriver的远程驱动特性，可以有效的控制phantomjs的超时。同时可以配合REST API做异常处理

四：自定义函数的死锁or超时处理

这个非常重要！！

python是顺序执行的，但是如果下一句话可能导致死锁（比如一个while（1））那么如何强制让他超时呢？他本身如果没有带有超时设置的话，就要自己运行信号（import signal）来处理

#coding:utf-8
import time
import signal
 
def test(i):
    time.sleep(0.999)#模拟超时的情况
    print "%d within time"%(i)
    return i
 
def fuc_time(time_out):
    # 此为函数超时控制，替换下面的test函数为可能出现未知错误死锁的函数
    def handler(signum, frame):
        raise AssertionError
    try:
        signal.signal(signal.SIGALRM, handler)
        signal.alarm(time_out)#time_out为超时时间
        temp = test(1) #函数设置部分，如果未超时则正常返回数据
        return temp
    except AssertionError:
        print "%d timeout"%(i)# 超时则报错
 
if __name__ == '__main__':
    for i in range(1,10):
        fuc_time(1)

五：自定义线程的死锁or超时处理

在某个程序中一方面不适合使用selenium+phantomjs的方式（要实现的功能比较难不适合）因为只能用原生的phantomjs，但是这个问题他本身在极端情况下也有可能停止（在超时设置之前因为某些错误）

那么最佳方案就是用python单独开一个线程（进程）调用原生phantomjs，然后对这个线程进程进行超时控制。

这里用ping这个命令先做测试，

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])#这里设定时间，和命令
try:
    my_timer.start()#启用
    stdout, stderr = ping.communicate()#获得输出
    #print stderr
    print time.ctime()
finally:
    print time.ctime()
    my_timer.cancel()

六：自重启的程序设计

比如程序在某种情况下报错多次，，那么满足条件后，让其重启即可解决大多数问题，当然这只不过是治标不治本而已，如果这个程序重启没有大问题（例如读队列类型）那么自重启这是最省力的方式之一。

import time,sys,os
def restart_program():
  python = sys.executable
  os.execl(python, python, * sys.argv)
  
if __name__ == "__main__":
  print 'start...'
  print u"3秒后,程序将结束...".encode("utf8")
  time.sleep(3)
  restart_program()

原文地址：https://www.urlteam.org/2017/02/python-高度鲁棒性爬虫的超时控制问题/