【轉帖】使用python爬蟲抓站的一些技巧總結：進階篇

from http://obmem.info/?p=753

以前寫過一篇使用python爬蟲抓站的一些技巧總結，總結了諸多爬蟲使用的方法；那篇東東現在看來還是挺有用的，但是當時很菜（現在也菜，但是比那時進步了不少），很多東西都不是很優，屬於”只是能用”這麼個層次。這篇進階篇打算把“能用”提升到“用得省事省心”這個層次。

一、gzip/deflate支援

 現在的網頁普遍支援gzip壓縮，這往往可以解決大量傳輸時間，以VeryCD的首頁為例，未壓縮版本247K，壓縮了以後45K，為原來的1/5。這就意味著抓取速度會快5倍。

然而python的urllib/urllib2預設都不支援壓縮，要返回壓縮格式，必須在request的header裡面寫明’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urllib2自動支援gzip, defalte呢？

其實可以繼承BaseHanlder類，然後build_opener的方式來處理：

import urllib2from gzip import GzipFilefrom StringIO import StringIOclass 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 supportimport zlibdef 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 = ContentEncodingProcessoropener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler ) #直接用opener開啟網頁，如果伺服器支援gzip/defalte則自動解壓縮content = opener.open(url).read()

二、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式裡面去只會讓程式變得支離破碎，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進行非同步I/O抓取

事實上更高效的抓取並非一定要用多線程，也可以使用非同步I/O法：直接用twisted的getPage方法，然後分別加上非同步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 getPagefrom 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 # 批量抓取連結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結束程式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的程式整個人都扭曲了，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。

如果要支援gzip/deflate，甚至做一些登陸的擴充，就得為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”的東東裡面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這麼調用

f = Fetcher(threads=10) #設定下載線程數為10for 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了，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“正在啟動並執行任務”或者”隊列中的任務”則為是，也好辦，於是代碼如下：

import urllib2from threading import Thread,Lockfrom Queue import Queueimport 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)

三、一些瑣碎的經驗 1、串連池：

opener.open和urllib2.urlopen一樣，都會建立一個http請求。通常情況下這不是什麼問題，因為線性環境下，一秒鐘可能也就新產生一個請求；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，正常的有理智的伺服器一定會封鎖你的。

然而在正常的html請求時，保持同時和伺服器幾十個串連又是很正常的一件事，所以完全可以手動維護一個HttpConnection的池，然後每次抓取時從串連池裡面選串連進行串連即可。

這裡有一個取巧的方法，就是利用squid做Proxy 伺服器來進行抓取，則squid會自動為你維護串連池，還附帶資料緩衝功能，而且squid本來就是我每個伺服器上面必裝的東東，何必再自找麻煩寫串連池呢。

2、設定線程的棧大小

棧大小的設定將非常顯著地影響python的記憶體佔用，python多線程不設定這個值會導致程式佔用大量記憶體，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

from threading import stack_sizestack_size(32768*16)

3、設定失敗後自動重試

    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、設定逾時

    import socket    socket.setdefaulttimeout(10) #設定10秒後連線逾時

5、登陸

登陸更加簡化了，首先build_opener中要加入cookie支援，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：

def login(self,username,password):    import urllib    data=urllib.urlencode({'username':username,                           'password':password,                           'continue':'http://www.verycd.com/',                           'login_submit':u'登入'.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入VeryCD網站。

四、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，它支援多線程，gzip/deflate壓縮，逾時設定，自動重試，設定棧大小，自動登入等功能；代碼簡單，使用方便，效能也不俗，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，是因為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，其實包含了代理擷取，代理驗證，代理測速等諸多環節，這就是另一個故事了。