【爬虫】封装了一些 python 爬虫技巧,开箱即用

这些脚本有一个共性,都是和web相关的,总要用到获取链接的一些方法,再加上simplecd这个半爬虫半网站的项目,累积不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。

目录

1.最基本的抓站

2.使用代理服务器

3.需要登录的情况

3.1 cookie的处理

3.2 表单的处理

3.3 伪装成浏览器访问

3.4 反”反盗链”

3.5 终极绝招

4.多线程并发抓取

5.验证码的处理

6 gzip/deflate支持

7. 更方便地多线程

1、用twisted进行异步I/O抓取

2、设计一个简单的多线程抓取类

8. 一些琐碎的经验

1、连接池:

2、设定线程的栈大小

3、设置失败后自动重试

4、设置超时

5、登陆

9. 总结


 

 

1.最基本的抓站

importurllib2

content = urllib2.urlopen( http://XXXX ).read()

 

2.使用代理服务器

这在某些情况下比较有用,比如IP被封了,或者比如IP访问的次数受到限制等等。

 

importurllib2

proxy_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.需要登录的情况

 

登录的情况比较麻烦我把问题拆分一下:

 

3.1 cookie的处理

import urllib2, cookielib

cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())

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

urllib2.install_opener(opener)

content = urllib2.urlopen( http://XXXX ).read()

 

是的没错,如果想同时用代理和cookie,那就加入proxy_support然后operner改为 

 

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

 

3.2 表单的处理

登录必要填表,表单怎么填?首先利用工具截取所要填表的内容。

比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包

这个我就举个例子好了,以verycd为例,先找到自己发的POST请求,以及POST表单项:

 

可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项,其中fk是随机生成的(其实不太随机,看上去像是把epoch时间经过简单的编码生成的),需要从网页获取,也就是说得先访问一次网页,用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写,login_submit是固定的,这从源码可以看出。还有username,password那就很显然了。

好的,有了要填写的数据,我们就要生成postdata

 

importurllib

postdata=urllib.urlencode({

     username : XXXXX ,

     password : XXXXX ,

     continueURI : http://www.verycd.com/ ,

     fk :fk,

     login_submit : 登录

})


然后生成http请求,再发送请求:

req = urllib2.Request(

    url = http://secure.verycd.com/signin/*/http://www.verycd.com/ ,

    data = postdata

)

result = urllib2.urlopen(req).read()

 

3.3 伪装成浏览器访问

某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器,这可以通过修改http包中的header来实现:

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”反盗链”

某些站点有所谓的反盗链设置,其实说穿了很简单,就是检查你发送请求的header里面,referer站点是不是他自己,所以我们只需要像3.3一样,把headers的referer改成该网站即可,以黑幕著称地cnbeta为例:

 

headers = {

     Referer : http://www.cnbeta.com/articles

}

 

headers是一个dict数据结构,你可以放入任何想要的header,来做一些伪装。例如,有些自作聪明的网站总喜欢窥人隐私,别人通过代理访问,他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP,没话说,那就直接把X-Forwarde-For改了吧,可以改成随便什么好玩的东东来欺负欺负他,呵呵。

3.5 终极绝招

有时候即使做了3.1-3.4,访问还是会被据,那么没办法,老老实实把httpfox中看到的headers全都写上,那一般也就行了。 再不行,那就只能用终极绝招了,selenium直接控制浏览器来进行访问,只要浏览器可以做到的,那么它也可以做到。类似的还有pamie,watir,等等等等。

4.多线程并发抓取

单线程太慢的话,就需要多线程了,这里给个简单的线程池模板 这个程序只是简单地打印了1-10,但是可以看出是并发地。

 

fromthreadingimportThread

fromQueueimportQueue

fromtimeimportsleep

#q是任务队列

#NUM是并发线程总数

#JOBS是有多少任务

q = Queue()

NUM = 2

JOBS = 10

#具体的处理函数,负责处理单个任务

defdo_somthing_using(arguments):

    printarguments

#这个是工作进程,负责不断从队列取数据并处理

defworking():

    whileTrue:

        arguments = q.get()

        do_somthing_using(arguments)

        sleep(1)

        q.task_done()

#fork NUM个线程等待队列

foriinrange(NUM):

    t = Thread(target=working)

    t.setDaemon(True)

    t.start()

#把JOBS排入队列

foriinrange(JOBS):

    q.put(i)

#等待所有JOBS完成

q.join()

 

5.验证码的处理

 

碰到验证码咋办?这里分两种情况处理:

  • google那种验证码,凉拌

  • 简单的验证码:字符个数有限,只使用了简单的平移或旋转加噪音而没有扭曲的,这种还是有可能可以处理的,一般思路是旋转的转回来,噪音去掉,然后划分单个字符,划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库,然后把验证码和特征库进行比较。这个比较复杂,一篇博文是说不完的,这里就不展开了,具体做法请弄本相关教科书好好研究一下。

  • 事实上有些验证码还是很弱的,这里就不点名了,反正我通过2的方法提取过准确度非常高的验证码,所以2事实上是可行的。

6 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:

importurllib2

fromgzipimportGzipFile

fromStringIOimportStringIO

classContentEncodingProcessor(urllib2.BaseHandler):

  """A handler to add gzip capabilities to urllib2 requests """

 

  # add headers to requests

  defhttp_request(self,req):

    req.add_header("Accept-Encoding","gzip, deflate")

    returnreq

 

  # decode

  defhttp_response(self,req,resp):

    old_resp = resp

    # gzip

    ifresp.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

    ifresp.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

    returnresp

 

# deflate support

importzlib

defdeflate(data):   # zlib only provides the zlib compress format, not the deflate format;

  try:               # so on top of all there s this workaround:

    returnzlib.decompress(data, -zlib.MAX_WBITS)

  exceptzlib.error:

    returnzlib.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()


7. 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:

fromtwisted.web.client importgetPage

fromtwisted.internet importreactor

 

links = [ http://www.verycd.com/topics/%d/ %iforiinrange(5420,5430)]

 

defparse_page(data,url):

    printlen(data),url

 

deffetch_error(error,url):

    printerror.getErrorMessage(),url

 

# 批量抓取链接

forurl inlinks:

    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

forurl inurls:

    f.push(url)  #把所有url推入下载队列

whilef.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:

 

 

importurllib2

fromthreadingimportThread,Lock

fromQueueimportQueue

importtime

 

classFetcher:

    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

        foriinrange(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()

 

    deftaskleft(self):

        returnself.q_req.qsize()+self.q_ans.qsize()+self.running

 

    defpush(self,req):

        self.q_req.put(req)

 

    defpop(self):

        returnself.q_ans.get()

 

    defthreadget(self):

        whileTrue:

            req = self.q_req.get()

            withself.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()

            exceptException,what:

                ans =  

                printwhat

            self.q_ans.put((req,ans))

            withself.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/ %iforiinrange(5420,5430)]

    f = Fetcher(threads=10)

    forurl inlinks:

        f.push(url)

    whilef.taskleft():

        url,content = f.pop()

        printurl,len(content)

 

8. 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

fromthreadingimportstack_size

stack_size(32768*16)

 

3、设置失败后自动重试

 defget(self,req,retries=3):

        try:

            response = self.opener.open(req)

            data = response.read()

        exceptException,what:

            printwhat,req

            ifretries>0:

                returnself.get(req,retries-1)

            else:

                print GET Failed ,req

                return  

        returndata

 

4、设置超时

importsocket

    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:

deflogin(self,username,password):

    importurllib

    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。

 

9. 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。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值