使用python做爬虫总结

[TOC]

1 最基本的抓站

1 2	import urllib2 content = urllib2.urlopen('http://XXXX').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。

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 需要登录的情况

登录的情况比较麻烦我把问题拆分一下：

3.1 cookie的处理

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()

是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为

1	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：

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postdata

import urllib 
postdata=urllib.urlencode({ 
    'username':'XXXXX', 
    'password':'XXXXX', 
    'continueURI':'http://www.verycd.com/', 
    'fk':fk, 
    'login_submit':'登录' 
}) 
# 然后生成http请求，再发送请求：
req = urllib2.Request( 
    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/', 
    data = 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; 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：

1
2
3

headers = { 
    'Referer':'http://www.cnbeta.com/articles' 
}

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。

from threading import Thread 
from Queue import Queue 
from time import sleep 
 
#q是任务队列 
q = Queue() 
#NUM是并发线程总数 
NUM = 2 
#JOBS是有多少任务 
JOBS = 10 
#具体的处理函数，负责处理单个任务
def do_somthing_using(arguments): 
    print arguments 
#这个是工作进程，负责不断从队列取数据并处理 
def working():
    while True: 
        arguments = q.get() 
        do_somthing_using(arguments) 
        sleep(1) 
        q.task_done() 
#fork NUM个线程等待队列 
for i in range(NUM): 
    t = Thread(target=working) 
    t.setDaemon(True) 
    t.start() 
#把JOBS排入队列 
for i in range(JOBS): 
    q.put(i) 
#等待所有JOBS完成 
q.join()

5 验证码的处理

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。

6 gzip/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：

import urllib2 
 
from gzip import GzipFile 
from StringIO import StringIO 
 
class ContentEncodingProcessor(urllib2.BaseHandler): 

  # 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)  
        resp.msg = old_resp.msg 
    return resp 
 
 
import zlib 
 
def deflate(data):   
 
  try:            
	return zlib.decompress(data, -zlib.MAX_WBITS) 
  except zlib.error: 
	return zlib.decompress(data) 
# 然后就简单了，
encoding_support = ContentEncodingProcessor 
opener = 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？

7.1 用twisted进行异步I/O抓取

事实上更高1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：

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  
 
# 批量抓取链接 
 
for url in links: 
    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fetch_error方法 
        
reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
 
reactor.run()

twisted人如其名，写的代码实在是太扭曲了，非正常人所能接受，虽然这个简单的例子看上去还好；每次写twisted的程序整个人都扭曲了，累得不得了，文档等于没有，必须得看源码才知道怎么整，唉不提了。
如果要支持gzip/deflate，甚至做一些登陆的扩展，就得为twisted写个新的HTTPClientFactory类诸如此类，我这眉头真是大皱，遂放弃。有毅力者请自行尝试。
这篇讲怎么用twisted来进行批量网址处理的文章不错，由浅入深，深入浅出，可以一看。

7.2 设计一个简单的多线程抓取类

还是觉得在urllib之类python“本土”的东东里面折腾起来更舒服。试想一下，如果有个Fetcher类，你可以这么调用

f = Fetcher(threads=10) #设定下载线程数为10 
 
for url in urls: 
   f.push(url)  #把所有url推入下载队列 

while f.taskleft(): #若还有未完成下载的线程 
   content = f.pop()  #从下载完成队列中取出结果 
   do_with(content) # 处理content内容

这么个多线程调用简单明了，那么就这么设计吧，首先要有两个队列，用Queue搞定，多线程的基本架构也和“技巧总结”一文类似，push方法和pop方法都比较好处理，都是直接用Queue的方法，taskleft则是如果有“正在运行的任务”或者”队列中的任务”则为是，也好办，于是代码如下：

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() #线程锁 
        self.q_req = Queue() #任务队列 
        self.q_ans = Queue() #完成队列 
        self.threads = threads 
        for i in range(threads): 
            t = Thread(target=self.threadget) 
            t.setDaemon(True) 
            t.start() 
        self.running = 0 
  
    def __del__(self): #解构时需等待两个队列完成 
        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: #要保证该操作的原子性，进入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 一些琐碎的经验

8.1 连接池：

opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒钟可以是几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁你的。
然而在正常的html请求时，保持同时和服务器几十个连接又是很正常的一件事，所以完全可以手动维护一个HttpConnection的池，然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动为你维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必装的东东，何必再自找麻烦写连接池呢。

8.2 设定线程的栈大小

栈大小的设定将非常显著地影响python的内存占用，python多线程不设置这个值会导致程序占用大量内存，这对openvz的vps来说非常致命。stack_size必须大于32768，实际上应该总要32768*2以上

1
2
3

from threading import stack_size 

stack_size(32768*16)

8.3 设置失败后自动重试

def get(self,req,retries=3): 
        try: 
           response = self.opener.open(req) 
           data = response.read() 
        except Exception , what: 
            print what,req 
            if retries&gt;0: 
                return self.get(req,retries-1) 
            else: 
                print 'GET Failed',req 
                return '' 
       return data

8.4 设置超时

1
2
3

import socket 

socket.setdefaulttimeout(10) #设置10秒后连接超时

8.5 登陆

登陆更加简化了，首先build_opener中要加入cookie支持，参考“总结”一文；如要登陆VeryCD，给Fetcher新增一个空方法login，并在init()中调用，然后继承Fetcher类并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'登录'.encode('utf-8'), 
                           'save_cookie':1,}) 
    url = 'http://www.verycd.com/signin' 
    self.opener.open(url,data).read()

于是在Fetcher初始化时便会自动登录VeryCD网站。