用python写爬虫的一些技巧：进阶篇

from http://obmem.info/?p=753

以前写过一篇使用python爬虫抓站的一些技巧总结，总结了诸多爬虫使用的方法；那篇东东现在看来还是挺有用的，但是当时很菜（现在也菜，但是比那时进步了不少），很多东西都不是很优，属于”只是能用”这么个层次。这篇进阶篇打算把“能用”提升到“用得省事省心”这个层次。

一、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):  
  """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()  

二、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？

1、用twisted进行异步I/O抓取

事实上更高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。

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)  

三、一些琐碎的经验

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。

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

from threading import stack_size  
stack_size(32768*16)  

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>0:  
               return self.get(req,retries-1)  
           else:  
               print 'GET Failed',req  
               return ''  
       return data  

4、设置超时

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

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。

四、总结

如此，把上述所有小技巧都糅合起来就和我目前的私藏最终版的Fetcher类相差不远了，它支持多线程，gzip/deflate压缩，超时设置，自动重试，设置栈大小，自动登录等功能；代码简单，使用方便，性能也不俗，可谓居家旅行，杀人放火，咳咳，之必备工具。

之所以说和最终版差得不远，是因为最终版还有一个保留功能“马甲术”：多代理自动选择。看起来好像仅仅是一个random.choice的区别，其实包含了代理获取，代理验证，代理测速等诸多环节，这就是另一个故事了。