当前位置：首页 > article >正文

如何在PHP爬虫中处理异常情况的详细指南

article 2025/3/18 6:30:50

一、常见的异常类型

在爬虫开发中，可能会遇到以下几种常见的异常情况：

网络请求失败：目标服务器不可用或网络连接问题。
页面结构变化：目标网站更新了HTML结构，导致选择器无法正确匹配。
反爬机制触发：请求频率过高或被识别为爬虫，导致被限制访问。
数据解析错误：页面内容缺失或格式不符合预期，导致解析失败。

二、异常处理机制

（一）使用`try-catch`块捕获异常

在PHP中，可以使用try-catch块来捕获和处理异常。以下是一个示例：

<?php
require 'vendor/autoload.php';

use GuzzleHttp\Client;
use Symfony\Component\DomCrawler\Crawler;

function get_html($url) {
    $client = new Client();
    try {
        $response = $client->request('GET', $url, [
            'headers' => [
                'User-Agent' => 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36'
            ]
        ]);
        return $response->getBody()->getContents();
    } catch (Exception $e) {
        echo "请求失败: " . $e->getMessage() . "\n";
        return null;
    }
}

function parse_html($html) {
    try {
        $crawler = new Crawler($html);
        $products = [];

        $crawler->filter('div.product-item')->each(function (Crawler $node) use (&$products) {
            $title = $node->filter('h3.product-title')->text();
            $price = $node->filter('span.product-price')->text();
            $link = $node->filter('a.product-link')->attr('href');

            $products[] = [
                'title' => $title,
                'price' => $price,
                'link' => $link
            ];
        });

        return $products;
    } catch (Exception $e) {
        echo "解析失败: " . $e->getMessage() . "\n";
        return [];
    }
}

function get_product_list($keyword, $page = 1) {
    $base_url = "https://www.17zwd.com/search";
    $url = $base_url . "?q=" . urlencode($keyword) . "&page=" . $page;
    $html = get_html($url);
    if ($html) {
        return parse_html($html);
    }
    return [];
}

try {
    $keyword = "书籍"; // 替换为实际关键词
    $products = get_product_list($keyword);

    foreach ($products as $product) {
        echo "商品名称: " . $product['title'] . "\n";
        echo "商品价格: " . $product['price'] . "\n";
        echo "商品链接: " . $product['link'] . "\n";
        echo "----------------------\n";
    }
} catch (Exception $e) {
    echo "发生错误: " . $e->getMessage() . "\n";
}

（二）记录日志

在生产环境中，仅仅打印错误信息是不够的。建议将错误信息记录到日志文件中，以便后续分析和排查问题。可以使用PHP的error_log函数或第三方日志库（如monolog）来记录日志。

使用`error_log`记录日志：

function log_error($message) {
    error_log($message . "\n", 3, "/path/to/error.log");
}

function get_html($url) {
    $client = new Client();
    try {
        $response = $client->request('GET', $url, [
            'headers' => [
                'User-Agent' => 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36'
            ]
        ]);
        return $response->getBody()->getContents();
    } catch (Exception $e) {
        log_error("请求失败: " . $e->getMessage());
        return null;
    }
}

使用`monolog`记录日志：

composer require monolog/monolog

<?php
require 'vendor/autoload.php';

use Monolog\Logger;
use Monolog\Handler\StreamHandler;

function get_logger() {
    $logger = new Logger('crawler');
    $logger->pushHandler(new StreamHandler('/path/to/error.log', Logger::WARNING));
    return $logger;
}

function get_html($url) {
    $client = new Client();
    $logger = get_logger();
    try {
        $response = $client->request('GET', $url, [
            'headers' => [
                'User-Agent' => 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36'
            ]
        ]);
        return $response->getBody()->getContents();
    } catch (Exception $e) {
        $logger->error("请求失败: " . $e->getMessage());
        return null;
    }
}

（三）重试机制

在网络请求失败时，可以设置重试机制，尝试重新发送请求。可以通过递归或循环实现重试逻辑。

function get_html($url, $retry = 3) {
    $client = new Client();
    try {
        $response = $client->request('GET', $url, [
            'headers' => [
                'User-Agent' => 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36'
            ]
        ]);
        return $response->getBody()->getContents();
    } catch (Exception $e) {
        if ($retry > 0) {
            echo "请求失败，正在重试... ($retry)\n";
            return get_html($url, $retry - 1);
        } else {
            echo "请求失败: " . $e->getMessage() . "\n";
            return null;
        }
    }
}

（四）优雅地处理反爬机制

如果被目标网站识别为爬虫并限制访问，可以尝试以下策略：

降低请求频率：增加请求间隔时间。
更换User-Agent：随机选择不同的User-Agent。
使用代理服务器：通过代理服务器发送请求，避免被封禁IP。

function get_html($url) {
    $client = new Client();
    $user_agents = [
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:123.0) Gecko/20100101 Firefox/123.0",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.0 Safari/605.1.15"
    ];

    try {
        $response = $client->request('GET', $url, [
            'headers' => [
                'User-Agent' => $user_agents[array_rand($user_agents)]
            ]
        ]);
        return $response->getBody()->getContents();
    } catch (Exception $e) {
        echo "请求失败: " . $e->getMessage() . "\n";
        return null;
    }
}