學習了一段時間的python爬蟲,在此總結一下,那麼以後做東西也就不用重複勞動了。
1.最基本的抓站
import urllib.request
content = urllib.request.urlopen('http://XXXX').read()
2.使用代理服務器
這在某些情況下比較有用,比如IP被封了,或者比如IP訪問的次數受到限制等等。
import urllib.request
proxy_support=urllib.request.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
opener = urllib.request.build_opener(proxy_support,urllib.request.HTTPHandler)
#把opener設爲全局
urllib2.install_opener(opener)
content = urllib.request.urlopen('http://XXXX').read()
#或者直接使用
content = opener.open('http://XXXX').read()
3.需要登錄的情況
cookie的處理
import urllib.request
import http.cookiejar
cookie = cookiejar.MozillaCookieJar
hander_cookie = urllib2.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(hander_cookie, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
content = urllib.request.urlopen('http://XXXX').read()
是的沒錯,如果想同時用代理和cookie,那就加入proxy_support然後operner改爲
opener =urllib2.build_opener(proxy_support,hander_cookie,urllib.request.HTTPHandler)
3.2 表單的處理
登錄必要填表,表單怎麼填?首先利用工具截取所要填表的內容。
比如我一般用firefox+httpfox插件來看看自己到底發送了些什麼包
這個我就舉個例子好了,以verycd爲例,先找到自己發的POST請求,以及POST表單項:
可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項,其中fk是隨機生成的(其實不太隨機,看上去像是把epoch時間經過簡單的編碼生成的),需要從網頁獲取,也就是說得先訪問一次網頁,用正則表達式等工具截取返回數據中的fk項。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,有了要填寫的數據,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'
})
有的網站提交的數據需要編碼程json,就需要響應的格式轉換
然後生成http請求,再發送請求:
req =urllib.request.Request( url='http://secure.verycd.com/signin/*',data=postdata)
result=opener.open(req).read()
3.3 僞裝成瀏覽器訪問
某些網站反感爬蟲的到訪,於是對爬蟲一律拒絕請求。這時候我們需要僞裝成瀏覽器,這可以通過修改http包中的header來實現:
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 = urllib.request.Request(
url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
data = postdata,
headers = headers
)
response = opener.open(req)
3.4 反”反盜鏈”
某些站點有所謂的反盜鏈設置,其實說穿了很簡單,就是檢查你發送請求的header裏面,referer站點是不是他自己,所以我們只需要像3.3一樣,把headers的referer改成該網站即可,以黑幕著稱地cnbeta爲例:
headers=
{
'Referer':'http://www.cnbeta.com/articles'
}
headers是一個dict數據結構,你可以放入任何想要的header,來做一些僞裝。例如,有些自作聰明的網站總喜歡窺人隱私,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IP,沒話說,那就直接把X-Forwarde-For改了吧,可以改成隨便什麼好玩的東東來欺負欺負他,呵呵。
3.5 終極絕招
有時候即使做了3.1-3.4,訪問還是會被據,那麼沒辦法,老老實實把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行訪問,只要瀏覽器可以做到的,那麼它也可以做到。類似的還有pamie,watir,等等等等。
4.多線程併發抓取
單線程太慢的話,就需要多線程了,這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10,但是可以看出是併發地。
from threading import Thread
from Queue import Queue
from time import sleep
#q是任務隊列
#NUM是併發線程總數
#JOBS是有多少任務
q = Queue()
NUM = 2
JOBS = 10
#具體的處理函數,負責處理單個任務
def do_somthing_using(arguments):
print arguments
#這個是工作進程,負責不斷從隊列取數據並處理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM個線程等待隊列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入隊列
for i in range(JOBS):
q.put(i)
#等待所有JOBS完成
q.join()
5.驗證碼的處理
碰到驗證碼咋辦?這裏分兩種情況處理:
google那種驗證碼,涼拌
簡單的驗證碼:字符個數有限,只使用了簡單的平移或旋轉加噪音而沒有扭曲的,這種還是有可能可以處理的,一般思路是旋轉的轉回來,噪音去掉,然後劃分單個字符,劃分好了以後再通過特徵提取的方法(例如PCA)降維並生成特徵庫,然後把驗證碼和特徵庫進行比較。這個比較複雜,一篇博文是說不完的,這裏就不展開了,具體做法請弄本相關教科書好好研究一下。
事實上有些驗證碼還是很弱的,這裏就不點名了,反正我通過2的方法提取過準確度非常高的驗證碼,所以2事實上是可行的。
6 gzip/deflate支持
現在的網頁普遍支持gzip壓縮,這往往可以解決大量傳輸時間,以VeryCD的主頁爲例,未壓縮版本247K,壓縮了以後45K,爲原來的1/5。這就意味着抓取速度會快5倍。
然而python的urllib/urllib2默認都不支持壓縮,要返回壓縮格式,必須在request的header裏面寫明’accept-encoding’,然後讀取response後更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼,很繁瑣瑣碎。如何讓urllib自動支持gzip, defalte呢?
其實可以繼承BaseHanlder類,然後build_opener的方式來處理:
import urllib.request
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)
然後就簡單了,
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
#直接用opener打開網頁,如果服務器支持gzip/defalte則自動解壓縮
content = opener.open(url).read()
- 更方便地多線程
總結一文的確提及了一個簡單的多線程模板,但是那個東東真正應用到程序裏面去只會讓程序變得支離破碎,不堪入目。在怎麼更方便地進行多線程方面我也動了一番腦筋。先想想怎麼進行多線程調用最方便呢?
1、用twisted進行異步I/O抓取
事實上更高效的抓取並非一定要用多線程,也可以使用異步I/O法:直接用twisted的getPage方法,然後分別加上異步I/O結束時的callback和errback方法即可。例如可以這麼幹:
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)
\
#成功則調用parse_page方法
.addErrback(fetch_error,url)
#失敗則調用fetch_error方法
reactor.callLater(5,
reactor.stop)
#5秒鐘後通知reactor結束程序
reactor.run()
twisted人如其名,寫的代碼實在是太扭曲了,非正常人所能接受,雖然這個簡單的例子看上去還好;每次寫twisted的程序整個人都扭曲了,累得不得了,文檔等於沒有,必須得看源碼才知道怎麼整,唉不提了。
如果要支持gzip/deflate,甚至做一些登陸的擴展,就得爲twisted寫個新的HTTPClientFactory類諸如此類,我這眉頭真是大皺,遂放棄。有毅力者請自行嘗試。
這篇講怎麼用twisted來進行批量網址處理的文章不錯,由淺入深,深入淺出,可以一看。
2、設計一個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Fetcher類,你可以這麼調用
f = Fetcher(threads=10) #設定下載線程數爲10
for url in urls:
f.push(url) #把所有url推入下載隊列
while f.taskleft(): #若還有未完成下載的線程
content = f.pop() #從下載完成隊列中取出結果
do_with(content) # 處理content內容
這麼個多線程調用簡單明瞭,那麼就這麼設計吧,首先要有兩個隊列,用Queue搞定,多線程的基本架構也和“技巧總結”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“正在運行的任務”或者”隊列中的任務”則爲是,也好辦,於是代碼如下:
Python
import urllib.request
from threading import Thread,Lock
from Queue import Queue
import time
class Fetcher:
def __init__(self,threads):
self.opener=urllib.request.build_opener(urllib.request.HTTPHandler)
self.lock=Lock()
#線程鎖
self.q_req=Queue()
#任務隊列
self.q_ans=Queue()
#完成隊列
self.threads=threads
for i in range(threads):
t=Thread(target=self.threadget)
t.setDaemon(True)
t.start()
self.running=0
def __del__(self):
#解構時需等待兩個隊列完成
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. 一些瑣碎的經驗
1、連接池:
opener.open和urllib2.urlopen一樣,都會新建一個http請求。通常情況下這不是什麼問題,因爲線性環境下,一秒鐘可能也就新生成一個請求;然而在多線程環境下,每秒鐘可以是幾十上百個請求,這麼幹只要幾分鐘,正常的有理智的服務器一定會封禁你的。
然而在正常的html請求時,保持同時和服務器幾十個連接又是很正常的一件事,所以完全可以手動維護一個HttpConnection的池,然後每次抓取時從連接池裏面選連接進行連接即可。
這裏有一個取巧的方法,就是利用squid做代理服務器來進行抓取,則squid會自動爲你維護連接池,還附帶數據緩存功能,而且squid本來就是我每個服務器上面必裝的東東,何必再自找麻煩寫連接池呢。
2、設定線程的棧大小
棧大小的設定將非常顯著地影響python的內存佔用,python多線程不設置這個值會導致程序佔用大量內存,這對openvz的vps來說非常致命。stack_size必須大於32768,實際上應該總要32768*2以上
Python
1
2
from threading import stack_size
stack_size(32768*16)
3、設置失敗後自動重試
Python
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、設置超時
Python
import socket
socket.setdefaulttimeout(10) #設置10秒後連接超時
5、登陸
登陸更加簡化了,首先build_opener中要加入cookie支持,參考“總結”一文;如要登陸VeryCD,給Fetcher新增一個空方法login,並在init()中調用,然後繼承Fetcher類並override login方法:
Python
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()
於是在Fetcher初始化時便會自動登錄VeryCD網站。
9. 總結
如此,把上述所有小技巧都糅合起來就和我目前的私藏最終版的Fetcher類相差不遠了,它支持多線程,gzip/deflate壓縮,超時設置,自動重試,設置棧大小,自動登錄等功能;代碼簡單,使用方便,性能也不俗,可謂居家旅行,殺人放火,咳咳,之必備工具。
之所以說和最終版差得不遠,是因爲最終版還有一個保留功能“馬甲術”:多代理自動選擇。看起來好像僅僅是一個random.choice的區別,其實包含了代理獲取,代理驗證,代理測速等諸多環節,這就是另一個故事了。
“`