python爬虫抓站的总结

寻寻找自我的博客找自我的博客ppython爬虫抓站的总结ython爬虫抓站的总结分类：Python2012-08-2222:41337人阅读评论(0)收藏举报1.最基本的抓站importurllib2content=urllib2.urlopen(').read()2.使用代理服务器这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。importurllib2proxy_support=urllib2.ProxyHandler({'http':'})opener=urllib2.build_opener(proxy_support,urllib2.HTTPHandler)urllib2.install_opener(opener)content=urllib2.urlopen(').read()3.需要登录的情况登录的情况比较麻烦我把问题拆分一下：3.1cookie的处理importurllib2,cookielibcookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener=urllib2.build_opener(cookie_support,urllib2.HTTPHandler)urllib2.install_opener(opener)content=urllib2.urlopen(').read()是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为opener=urllib2.build_opener(proxy_support,cookie_support,urllib2.HTTPHandler)3.2表单的处理登录必要填表，表单怎么填？首先利用工具截取所要填表的内容。比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：1可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。好的，有了要填写的数据，我们就要生成postdataimporturllibpostdata=urllib.urlencode({'username':'XXXXX','password':'XXXXX','continueURI':':fk,'login_submit':'登录'})然后生成http请求，再发送请求：req=urllib2.Request(url='*/=postdata)result=urllib2.urlopen(req).read()3.3伪装成浏览器访问某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现：headers={'User-Agent':'Mozilla/5.0(Windows;U;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/3.5.6'}req=urllib2.Request(url='*/=postdata,headers=headers2)3.4反”反盗链”某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要像3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：headers={'Referer':'}headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。例如，有些自作聪明的网站总喜欢窥人隐私，别人通过代理访问，他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP，没话说，那就直接把X-Forwarde-For改了吧，可以改成随便什么好玩的东东来欺负欺负他，呵呵。3.5终极绝招有时候即使做了3.1-3.4，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。4.多线程并发抓取单线程太慢的话，就需要多线程了，这里给个简单的线程池模板这个程序只是简单地打印了1-10，但是可以看出是并发地。fromthreadingimportThreadfromQueueimportQueuefromtimeimportsleep#q是任务队列#NUM是并发线程总数#JOBS是有多少任务q=Queue()NUM=2JOBS=10#具体的处理函数，负责处理单个任务defdo_somthing_using(arguments):printarguments#这个是工作进程，负责不断从队列取数据并处理defworking():whileTrue:arguments=q.get()do_somthing_using(arguments)sleep(1)q.task_done()#forkNUM个线程等待队列foriinrange(NUM):t=Thread(target=working)t.setDaemon(True)t.start()#把JOBS排入队列foriinrange(JOBS):q.put(i)#等待所有JOBS完成q.join()5.验证码的处理3碰到验证码咋办？这里分两种情况处理：google那种验证码，凉拌简单的验证码：字符个数有限，只使用了简单的平移或旋转加噪音而没有扭曲的，这种还是有可能可以处理的，一般思路是旋转的转回来，噪音去掉，然后划分单个字符，划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库，然后把验证码和特征库进行比较。这个比较复杂，一篇博文是说不完的，这里就不展开了，具体做法请弄本相关教科书好好研究一下。事实上有些验证码还是很弱的，这里就不点名了，反正我通过2的方法提取过准确度非常高的验证码，所以2事实上是可行的。6gzip/deflate支持现在的网页普遍支持gzip压缩，这往往可以解决大量传输时间，以VeryCD的主页为例，未压缩版本247K，压缩了以后45K，为原来的1/5。这就意味着抓取速度会快5倍。然而python的urllib/urllib2默认都不支持压缩，要返回压缩格式，必须在request的header里面写明’accept-encoding’，然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码，很繁琐琐碎。如何让urllib2自动支持gzip,defalte呢？其实可以继承BaseHanlder类，然后build_opener的方式来处理：importurllib2fromgzipimportGzipFilefromStringIOimportStringIOclassContentEncodingProcessor(urllib2.BaseHandler):Ahandlertoaddgzipcapabilitiestourllib2requests#addheaderstorequestsdefhttp_request(self,req):req.add_header(Accept-Encoding,gzip,deflate)returnreq#decodedefhttp_response(self,req,resp):old_resp=resp#gzipifresp.headers.get(content-encoding)==gzip:gz=GzipFile(fileobj=StringIO(resp.read()),mode=r)resp=urllib2.addinfourl(gz,old_resp.headers,old_resp.url,old_resp.code)resp.msg=old_resp.msg#deflateifresp.headers.get(content-encoding)==deflate:gz=StringIO(deflate(resp.read()))resp=urllib2.addinfourl(gz,old_resp.headers,old_resp.url,old_resp.code)#'classtoaddinfo()andresp.msg=old_resp.msgreturnresp#deflatesupportimportzlibdefdeflate(data):#zlibonlyprovidesthezlibcompressformat,notthedeflateformat;try:#soontopofallthere'sthisworkaround:returnzlib.decompress(data,-zlib.MAX_WBITS)exceptzlib.error:returnzlib.decompress(data)然后就简单了，encoding_support=ContentEncodingProcessor4opener=urllib2.build_opener(encoding_support,urllib2.HTTPHandler)#直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩content=opener.open(url).read()7.更方便地多线程总结一文的确提及了一个简单的多线程模板，但是那个东东真正应用到程序里面去只会让程序变得支离破碎，不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢？1、用twisted进行异步I/O抓取事实上更高效的抓取并非一定要用多线程，也可以使用异步I/O法：直接用twisted的getPage方法，然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干：fromtwisted.web.clientimportgetPagefromtwisted.internetimportreactorlinks=['(5420,5430)]defparse_page(data,url):printlen(data),urldeffetch_error(error,url):printerror.getErrorMessage(),url#批量抓取链接forurlinlinks:getPage(url,timeout=5)\.addCallback(parse_page,url)\#成功则调用parse_page方法.addErrback(fetch_error,url)#失败则调用f