Question

我试图抓取一个网站。在这个网站中，我将被抓取的人存储在person_set中，以及用于在parse_queue中抓取下一个人的队列。在每个人抓取的开始时，我需要将这两个数据结构写入文件，以防由于异常或连接错误而爬行中断，以便我可以在以后继续。

我有三个python文件。主文件，蜘蛛和人模型。主要实例化蜘蛛，蜘蛛开始解析并在必要时调用写入和读取。 person文件具有Person类，它是存储人员数据的模型。

我在阅读我写的数据时遇到了问题。我检查了很多关于这个错误的问题，这似乎是一个导入问题。但即使我将人类导入主要和蜘蛛，它仍然给我错误。似乎emergency_read方法不受我的顶级导入的影响。

main.py

from spiders import Spider
from person import Person
import pickle

def main():
    ....
    spider = Spider("seed_input")
    spider.parse(client)

spiders.py

import pickle
from person import Person

class Spider:

    def __init__(self, filename):
            self.person_set = Set()

            self.file_to_seed(filename)
            for seed_url in self.seed_list:
                    self.seed_to_parse_queue(seed_url)

    def parse(self, client):
        if os.path.exists('tmp.person_set'):
                print "Program wasnt ended properly, continuing from where it left"
                self.emergency_read()

        ... starts parsing

    def emergency_write(self):

        if os.path.exists('tmp.person_set'):
            self.delete_emergency_files()

        with open('tmp.person_set', 'wb') as f:
            pickle.dump(self.person_set, f)

        with open('tmp.parse_queue', 'wb') as f:
            pickle.dump(self.parse_queue, f)

    def emergency_read(self):
        with open('tmp.person_set', 'rb') as f:
            self.person_set = pickle.load(f)

        with open('tmp.parse_queue', 'rb') as f:
            self.parse_queue = pickle.load(f)

person.py

class Person:

    def __init__(self, name):
            self.name = name
            self.friend_set = Set()
            self.profile_url = ""
            self.id = 0
            self.color = "Grey"
            self.parent = None
            self.depth = 0

    def add_friend(self, friend):
            self.friend_set.add(friend)

    def __repr__(self):
            return "Person(%s, %s)" % (self.profile_url, self.name)

    def __eq__(self, other):
            if isinstance(other, Person):
                return ((self.profile_url == other.profile_url) and (self.name == other.name))
            else:
                return False

    def __ne__(self, other):
            return (not self.__eq__(other))

    def __hash__(self):
            return hash(self.__repr__())

堆栈跟踪

python main.py 
Program wasnt ended properly, continuing from where it left
Traceback (most recent call last):
File "main.py", line 47, in <module>
main()
File "main.py", line 34, in main
spider.parse(client)
File "/home/ynscn/py-workspace/lll/spiders.py", line 39, in parse
self.emergency_read()
File "/home/ynscn/py-workspace/lll/spiders.py", line 262, in emergency_read
self.person_set = pickle.load(f)
File "/usr/lib/python2.7/pickle.py", line 1378, in load
return Unpickler(file).load()
File "/usr/lib/python2.7/pickle.py", line 858, in load
dispatch[key](self)
File "/usr/lib/python2.7/pickle.py", line 1198, in load_setitem
dict[key] = value
File "/home/ynscn/py-workspace/lll/person.py", line 30, in __hash__
return hash(self.__repr__())
File "/home/ynscn/py-workspace/lll/person.py", line 18, in __repr__
return "Person(%s, %s)" % (self.profile_url, self.name)
AttributeError: Person instance has no attribute 'profile_url'

Answer 1

Pickle以非确定性顺序加载类实例的组件。在加载期间但在对Person.profile_url属性进行反序列化之前会发生此错误。请注意，它在load_setitem期间失败，这意味着它可能正在尝试加载friend_set属性，这是一个集合。

您的自定义__repr__()依赖于类属性，然后您的自定义__hash__()（pickle需要）依赖于__repr__()。

我的建议是使用Python的默认__hash__方法。那会有用吗？

Answer 2

如果您使用dill而不是pickle，您的代码可能会按序列化。 dill可以腌制类对象，实例，方法和属性......以及python中的大部分内容。 dill还可以为类和类实例存储动态修改的状态。我同意这似乎是一个挑剔load错误，正如@nofinator指出的那样。但是，dill可能会让它绕过它。

如果您想强制加载和卸载订单，可能会更好，您可以尝试添加__getstate__和__setstate__方法。

Python pickle实例没有属性

2 个答案: