前言
寫過的這些腳本有一個(gè)共性,都是和web相關(guān)的,總要用到獲取鏈接的一些方法,累積不少爬蟲抓站的經(jīng)驗(yàn),在此總結(jié)一下,那么以后做東西也就不用重復(fù)勞動(dòng)了。
1.最基本的抓站
import urllib2
content = urllib2.urlopen('http://XXXX').read()
2.使用代理服務(wù)器
這在某些情況下比較有用,比如IP被封了,或者比如IP訪問的次數(shù)受到限制等等。
import urllib2
proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()
3.需要登錄的情況
登錄的情況比較麻煩我把問題拆分一下:
3.1 cookie的處理
import urllib2, cookielib
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()
是的沒錯(cuò),如果想同時(shí)用代理和cookie,那就加入
proxy_support
然后
operner
改為
opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
3.2 表單的處理
登錄必要填表,表單怎么填?首先利用工具截取所要填表的內(nèi)容。
比如我一般用firefox+httpfox插件來看看自己到底發(fā)送了些什么包
這個(gè)我就舉個(gè)例子好了,以verycd為例,先找到自己發(fā)的POST請(qǐng)求,以及POST表單項(xiàng):
可以看到verycd的話需要填 username,password,continueURI,fk,login_submit 這幾項(xiàng),其中fk是隨機(jī)生成的(其實(shí)不太隨機(jī),看上去像是把epoch時(shí)間經(jīng)過簡單的編碼生成的),需要從網(wǎng)頁獲取,也就是說得先訪問一次網(wǎng)頁,用正則表達(dá)式等工具截取返回?cái)?shù)據(jù)中的fk項(xiàng)。 continueURI顧名思義可以隨便寫,login_submit是固定的 ,這從源碼可以看出。還有username,password那就很顯然了。
好的,有了要填寫的數(shù)據(jù),我們就要生成postdata
import urllib
postdata=urllib.urlencode({
'username':'XXXXX',
'password':'XXXXX',
'continueURI':'http://www.verycd.com/',
'fk':fk,
'login_submit':'登錄'
})
然后生成http請(qǐng)求,再發(fā)送請(qǐng)求:
req = urllib2.Request(
url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
data = postdata
)
result = urllib2.urlopen(req).read()
3.3 偽裝成瀏覽器訪問
某些網(wǎng)站反感爬蟲的到訪,于是對(duì)爬蟲一律拒絕請(qǐng)求。這時(shí)候我們需要偽裝成瀏覽器,這可以通過修改http包中的header來實(shí)現(xiàn):
headers = {
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
}
req = urllib2.Request(
url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
data = postdata,
headers = headers
)
3.4 反”反盜鏈”
某些站點(diǎn)有所謂的反盜鏈設(shè)置,其實(shí)說穿了很簡單,就是檢查你發(fā)送請(qǐng)求的header里面,referer站點(diǎn)是不是他自己,所以我們只需要像3.3一樣,把headers的referer改成該網(wǎng)站即可,以黑幕著稱地cnbeta為例:
headers = {
'Referer':'http://www.cnbeta.com/articles'
}
headers是一個(gè)dict數(shù)據(jù)結(jié)構(gòu),你可以放入任何想要的header,來做一些偽裝。例如,有些自作聰明的網(wǎng)站總喜歡窺人隱私,別人通過代理訪問,他偏偏要讀取header中的X-Forwarded-For來看看人家的真實(shí)IP,沒話說,那就直接把X-Forwarde-For改了吧,可以改成隨便什么好玩的東東來欺負(fù)欺負(fù)他,呵呵。
3.5 終極絕招
有時(shí)候即使做了3.1-3.4,訪問還是會(huì)被據(jù),那么沒辦法,老老實(shí)實(shí)把httpfox中看到的headers全都寫上,那一般也就行了。 再不行,那就只能用終極絕招了, selenium 直接控制瀏覽器來進(jìn)行訪問,只要瀏覽器可以做到的,那么它也可以做到。類似的還有pamie,watir,等等等等。
4.多線程并發(fā)抓取
單線程太慢的話,就需要多線程了,這里給個(gè)簡單的線程池模板 這個(gè)程序只是簡單地打印了1-10,但是可以看出是并發(fā)地。
from threading import Thread
from Queue import Queue
from time import sleep
#q是任務(wù)隊(duì)列
#NUM是并發(fā)線程總數(shù)
#JOBS是有多少任務(wù)
q = Queue()
NUM = 2
JOBS = 10
#具體的處理函數(shù),負(fù)責(zé)處理單個(gè)任務(wù)
def do_somthing_using(arguments):
print arguments
#這個(gè)是工作進(jìn)程,負(fù)責(zé)不斷從隊(duì)列取數(shù)據(jù)并處理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM個(gè)線程等待隊(duì)列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入隊(duì)列
for i in range(JOBS):
q.put(i)
#等待所有JOBS完成
q.join()
5.驗(yàn)證碼的處理
碰到驗(yàn)證碼咋辦?這里分兩種情況處理:
???? 1、google那種驗(yàn)證碼,涼拌
???? 2、簡單的驗(yàn)證碼:字符個(gè)數(shù)有限,只使用了簡單的平移或旋轉(zhuǎn)加噪音而沒有扭曲的,這種還是有可能可以處理的,一般思路是旋轉(zhuǎn)的轉(zhuǎn)回來,噪音去掉,然后劃分單個(gè)字符,劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫,然后把驗(yàn)證碼和特征庫進(jìn)行比較。這個(gè)比較復(fù)雜,一篇博文是說不完的,這里就不展開了,具體做法請(qǐng)弄本相關(guān)教科書好好研究一下。
事實(shí)上有些驗(yàn)證碼還是很弱的,這里就不點(diǎn)名了,反正我通過2的方法提取過準(zhǔn)確度非常高的驗(yàn)證碼,所以2事實(shí)上是可行的。
6 gzip/deflate支持
現(xiàn)在的網(wǎng)頁普遍支持gzip壓縮,這往往可以解決大量傳輸時(shí)間,以 VeryCD 的主頁為例,未壓縮版本247K,壓縮了以后45K,為原來的1/5。這就意味著抓取速度會(huì)快5倍。
然而python的urllib/urllib2默認(rèn)都不支持壓縮,要返回壓縮格式,必須在request的header里面寫明'accept-encoding',然后讀取response后更要檢查header查看是否有'content-encoding'一項(xiàng)來判斷是否需要解碼,很繁瑣瑣碎。如何讓urllib2自動(dòng)支持gzip, defalte呢?
其實(shí)可以繼承 BaseHanlder 類,然后build_opener的方式來處理:
import urllib2
from gzip import GzipFile
from StringIO import StringIO
class ContentEncodingProcessor(urllib2.BaseHandler):
"""A handler to add gzip capabilities to urllib2 requests """
# add headers to requests
def http_request(self, req):
req.add_header("Accept-Encoding", "gzip, deflate")
return req
# decode
def http_response(self, req, resp):
old_resp = resp
# gzip
if resp.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
# deflate
if resp.headers.get("content-encoding") == "deflate":
gz = StringIO( deflate(resp.read()) )
resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code) # 'class to add info() and
resp.msg = old_resp.msg
return resp
# deflate support
import zlib
def deflate(data): # zlib only provides the zlib compress format, not the deflate format;
try: # so on top of all there's this workaround:
return zlib.decompress(data, -zlib.MAX_WBITS)
except zlib.error:
return zlib.decompress(data)
然后就簡單了,
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
#直接用opener打開網(wǎng)頁,如果服務(wù)器支持gzip/defalte則自動(dòng)解壓縮
content = opener.open(url).read()
7. 更方便地多線程
總結(jié)一文的確提及了一個(gè)簡單的多線程模板,但是那個(gè)東東真正應(yīng)用到程序里面去只會(huì)讓程序變得支離破碎,不堪入目。在怎么更方便地進(jìn)行多線程方面我也動(dòng)了一番腦筋。先想想怎么進(jìn)行多線程調(diào)用最方便呢?
1、用twisted進(jìn)行異步I/O抓取
事實(shí)上更高效的抓取并非一定要用多線程,也可以使用異步I/O法:直接用twisted的getPage方法,然后分別加上異步I/O結(jié)束時(shí)的callback和errback方法即可。例如可以這么干:
from twisted.web.client import getPage
from twisted.internet import reactor
links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]
def parse_page(data,url):
print len(data),url
def fetch_error(error,url):
print error.getErrorMessage(),url
# 批量抓取鏈接
for url in links:
getPage(url,timeout=5) \
.addCallback(parse_page,url) \ #成功則調(diào)用parse_page方法
.addErrback(fetch_error,url) #失敗則調(diào)用fetch_error方法
reactor.callLater(5, reactor.stop) #5秒鐘后通知reactor結(jié)束程序
reactor.run()
twisted人如其名,寫的代碼實(shí)在是太扭曲了,非正常人所能接受,雖然這個(gè)簡單的例子看上去還好;每次寫twisted的程序整個(gè)人都扭曲了,累得不得了,文檔等于沒有,必須得看源碼才知道怎么整,唉不提了。
如果要支持gzip/deflate,甚至做一些登陸的擴(kuò)展,就得為twisted寫個(gè)新的 HTTPClientFactory 類諸如此類,我這眉頭真是大皺,遂放棄。有毅力者請(qǐng)自行嘗試。
2、設(shè)計(jì)一個(gè)簡單的多線程抓取類
還是覺得在urllib之類python“本土”的東東里面折騰起來更舒服。試想一下,如果有個(gè)Fetcher類,你可以這么調(diào)用
f = Fetcher(threads=10) #設(shè)定下載線程數(shù)為10
for url in urls:
f.push(url) #把所有url推入下載隊(duì)列
while f.taskleft(): #若還有未完成下載的線程
content = f.pop() #從下載完成隊(duì)列中取出結(jié)果
do_with(content) # 處理content內(nèi)容
這么個(gè)多線程調(diào)用簡單明了,那么就這么設(shè)計(jì)吧,首先要有兩個(gè)隊(duì)列,用Queue搞定,多線程的基本架構(gòu)也和“技巧總結(jié)”一文類似,push方法和pop方法都比較好處理,都是直接用Queue的方法,taskleft則是如果有“正在運(yùn)行的任務(wù)”或者”隊(duì)列中的任務(wù)”則為是,也好辦,于是代碼如下:
import urllib2
from threading import Thread,Lock
from Queue import Queue
import time
class Fetcher:
def __init__(self,threads):
self.opener = urllib2.build_opener(urllib2.HTTPHandler)
self.lock = Lock() #線程鎖
self.q_req = Queue() #任務(wù)隊(duì)列
self.q_ans = Queue() #完成隊(duì)列
self.threads = threads
for i in range(threads):
t = Thread(target=self.threadget)
t.setDaemon(True)
t.start()
self.running = 0
def __del__(self): #解構(gòu)時(shí)需等待兩個(gè)隊(duì)列完成
time.sleep(0.5)
self.q_req.join()
self.q_ans.join()
def taskleft(self):
return self.q_req.qsize()+self.q_ans.qsize()+self.running
def push(self,req):
self.q_req.put(req)
def pop(self):
return self.q_ans.get()
def threadget(self):
while True:
req = self.q_req.get()
with self.lock: #要保證該操作的原子性,進(jìn)入critical area
self.running += 1
try:
ans = self.opener.open(req).read()
except Exception, what:
ans = ''
print what
self.q_ans.put((req,ans))
with self.lock:
self.running -= 1
self.q_req.task_done()
time.sleep(0.1) # don't spam
if __name__ == "__main__":
links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]
f = Fetcher(threads=10)
for url in links:
f.push(url)
while f.taskleft():
url,content = f.pop()
print url,len(content)
8. 一些瑣碎的經(jīng)驗(yàn)
1、連接池:
opener.open和urllib2.urlopen一樣,都會(huì)新建一個(gè)http請(qǐng)求。通常情況下這不是什么問題,因?yàn)榫€性環(huán)境下,一秒鐘可能也就新生成一個(gè)請(qǐng)求;然而在多線程環(huán)境下,每秒鐘可以是幾十上百個(gè)請(qǐng)求,這么干只要幾分鐘,正常的有理智的服務(wù)器一定會(huì)封禁你的。
然而在正常的html請(qǐng)求時(shí),保持同時(shí)和服務(wù)器幾十個(gè)連接又是很正常的一件事,所以完全可以手動(dòng)維護(hù)一個(gè) HttpConnection 的池,然后每次抓取時(shí)從連接池里面選連接進(jìn)行連接即可。
這里有一個(gè)取巧的方法,就是利用squid做代理服務(wù)器來進(jìn)行抓取,則squid會(huì)自動(dòng)為你維護(hù)連接池,還附帶數(shù)據(jù)緩存功能,而且squid本來就是我每個(gè)服務(wù)器上面必裝的東東,何必再自找麻煩寫連接池呢。
2、設(shè)定線程的棧大小
棧大小的設(shè)定將非常顯著地影響python的內(nèi)存占用,python多線程不設(shè)置這個(gè)值會(huì)導(dǎo)致程序占用大量內(nèi)存,這對(duì)openvz的vps來說非常致命。stack_size必須大于32768,實(shí)際上應(yīng)該總要32768*2以上
from threading import stack_size
stack_size(32768*16)
3、設(shè)置失敗后自動(dòng)重試
def get(self,req,retries=3):
try:
response = self.opener.open(req)
data = response.read()
except Exception , what:
print what,req
if retries>0:
return self.get(req,retries-1)
else:
print 'GET Failed',req
return ''
return data
4、設(shè)置超時(shí)
import socket
socket.setdefaulttimeout(10) #設(shè)置10秒后連接超時(shí)
登陸更加簡化了,首先build_opener中要加入cookie支持,如要登陸 VeryCD ,給Fetcher新增一個(gè)空方法login,并在 init ()中調(diào)用,然后繼承Fetcher類并override login方法:
def login(self,username,password):
import urllib
data=urllib.urlencode({'username':username,
'password':password,
'continue':'http://www.verycd.com/',
'login_submit':u'登錄'.encode('utf-8'),
'save_cookie':1,})
url = 'http://www.verycd.com/signin'
self.opener.open(url,data).read()
于是在Fetcher初始化時(shí)便會(huì)自動(dòng)登錄 VeryCD 網(wǎng)站。
9. 總結(jié)
如此,以上就是總結(jié)python爬蟲抓站的實(shí)用技巧的全部內(nèi)容了,本文內(nèi)容代碼簡單,使用方便,性能也不俗,相信對(duì)各位使用python有很大的幫助。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索:z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系: 360901061
您的支持是博主寫作最大的動(dòng)力,如果您喜歡我的文章,感覺我的文章對(duì)您有幫助,請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點(diǎn)擊下面給點(diǎn)支持吧,站長非常感激您!手機(jī)微信長按不能支付解決辦法:請(qǐng)將微信支付二維碼保存到相冊(cè),切換到微信,然后點(diǎn)擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元

