總結python爬蟲抓站的實用技巧，python爬蟲

總結python爬蟲抓站的實用技巧，python爬蟲

前言

寫過的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，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。

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 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()

7. 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。

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)

8. 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

登陸更加簡化了，首先build_opener中要加入cookie支援，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。

9. 總結

如此，以上就是總結python爬蟲抓站的實用技巧的全部內容了，本文內容代碼簡單，使用方便，效能也不俗，相信對各位使用python有很大的協助。