【轉帖】用python爬蟲抓站的一些技巧總結

from http://obmem.info/?p=476

學用python也有3個多月了，用得最多的還是各類爬蟲指令碼：寫過抓代理本機驗證的指令碼，寫過在discuz論壇中自動登入自動發貼的指令碼，寫過自動收郵件的指令碼，寫過簡單的驗證碼識別的指令碼，本來想寫google music的抓取指令碼的，結果有了強大的gmbox，也就不用寫了。
-
這些指令碼有一個共性，都是和web相關的，總要用到擷取連結的一些方法，再加上simplecd這個半爬蟲半網站的項目，累積不少爬蟲抓站的經驗，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 urllib2content = urllib2.urlopen('http://XXXX').read()

-
2.使用Proxy 伺服器
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 urllib2proxy_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.需要登入的情況
登入的情況比較麻煩我把問題拆分一下：
-
3.1 cookie的處理

import urllib2, cookielibcookie_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，如果想同時用代理和cookie，那就加入proxy_support然後operner改為

opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

-
3.2 表單的處理
登入必要填表，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外掛程式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為例，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是隨機產生的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼產生的），需要從網頁擷取，也就是說得先訪問一次網頁，用Regex等工具截取返回資料中的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，有了要填寫的資料，我們就要產生postdata

import urllibpostdata=urllib.urlencode({    'username':'XXXXX',    'password':'XXXXX',    'continueURI':'http://www.verycd.com/',    'fk':fk,    'login_submit':'登入'})

-
然後產生http請求，再發送請求：

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
這時候我們需要偽裝成瀏覽器，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 = urllib2.Request(    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',    data = postdata,    headers = headers)#...

-
3.4 反”反盜鏈”
某些網站有所謂的反盜鏈設定，其實說穿了很簡單，就是檢查你發送請求的header裡面，referer網站是不是他自己，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為例：

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

headers是一個dict資料結構，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.多線程並發抓取
單線程太慢的話，就需要多線程了，這裡給個簡單的線程池模板
這個程式只是簡單地列印了1-10，但是可以看出是並發地。

from threading import Threadfrom Queue import Queuefrom time import sleep#q是任務隊列#NUM是並發線程總數#JOBS是有多少任務q = Queue()NUM = 2JOBS = 10#具體的處理函數，負責處理單個任務def do_somthing_using(arguments):    print arguments#這個是背景工作處理序，負責不斷從隊列取資料並處理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？這裡分兩種情況處理：
-
1.google那種驗證碼，涼拌
-
2.簡單的驗證碼：字元個數有限，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，然後劃分單個字元，劃分好了以後再通過特徵提取的方法(例如PCA)降維並產生特徵庫，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，這裡就不展開了，具體做法請弄本相關教科書好好研究一下。
-
3.事實上有些驗證碼還是很弱的，這裡就不點名了，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.總結
基本上我遇到過的所有情況，用以上方法都順利解決了，不太清楚還有沒有其他漏掉的情況，所以本文到這裡就完成了，以後要是碰上其他情況，再補充相關方法好了：）

本文後續見： http://obmem.info/?p=753