Python 3.x爬虫技巧总结

用python爬虫抓站的一些技巧总结这篇文章对Python爬虫技巧总结得很好，但是是基于python 2.x的，自己最近又刚转成了python 3.x，所以就将该博文转成基于python 3.x的。

1.最基本的抓站

[python]  view plain  copy

 print ?

1. from urllib import request  
2.   
3. response = request.urlopen("http://www.baidu.com/")  
4. content = response.read().decode('utf-8')  
5. print(content)  

-
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。

[python]  view plain  copy

 print ?

1. from urllib import request  
2.   
3. proxy_support = request.ProxyHandler({'http':'http://xx.xx.xx.xx:xx'})  
4. opener = request.build_opener(proxy_support, request.HTTPHandler)  
5. request.install_opener(opener)  
6.   
7. content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')  
8. print(content)  

如果不想一直使用该代理访问，那就不需要调用install_opener(opener)安装了，只需每次使用opener.open()，而不用request.urlopen()。

-
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

[python]  view plain  copy

 print ?

1. #-*- coding: utf-8 -*-  
2.   
3. from urllib import request  
4. from http import cookiejar  
5.   
6. cookie_support = request.HTTPCookieProcessor(cookiejar.CookieJar())  
7. opener = request.build_opener(cookie_support, request.HTTPHandler)  
8. request.install_opener(opener)  
9.   
10. content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')  
11. print(content)  

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

[python]  view plain  copy

 print ?

1. opener = request.build_opener(proxy_support, cookie_support, request.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

[python]  view plain  copy

 print ?

1. postdata = parse.urlencode({  
2.     'username':'XXXXX',  
3.     'password':'XXXXX',  
4.     'continueURI':'http://www.verycd.com/',  
5.     'fk':'fkasdfasdf',  
6.     'login_submit':'登录',  
7. })  

然后生成http请求，再发送请求：

[python]  view plain  copy

 print ?

1. req = request.Request(  
2.     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
3.     data = postdata  
4. )  
5. content = request.urlopen(req).read()  
6.   
7. print(content)  

如果是get请求，则如下：

[python]  view plain  copy

 print ?

1. fullurl = 'http://xxxxxxxxxxxxxxx/index?%s' % data  
2. req = request.Request(fullurl)  

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
#…

[python]  view plain  copy

 print ?

1. postdata = parse.urlencode({})  
2. headers = {  
3.     'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
4. }  
5. req = request.Request(  
6.     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
7.     data = postdata,  
8.     headers = headers  
9. )  

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：

[python]  view plain  copy

 print ?

1. headers = {  
2.     'Referer':'http://www.cnbeta.com/articles'  
3. }  

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。

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。

[python]  view plain  copy

 print ?

1. #-*- coding: utf-8 -*-  
2.   
3. from threading import Thread  
4. from queue import Queue  
5. from time import sleep  
6. #q是任务队列  
7. #NUM是并发线程总数  
8. #JOBS是有多少任务  
9. q = Queue()  
10. NUM = 2  
11. JOBS = 10  
12. #具体的处理函数，负责处理单个任务  
13. def do_somthing_using(arguments):  
14.     print(arguments)  
15.       
16. #这个是工作进程，负责不断从队列取数据并处理  
17. def working():  
18.     while True:  
19.         arguments = q.get()  
20.         do_somthing_using(arguments)  
21.         sleep(1)  
22.         q.task_done()  
23. #fork NUM个线程等待队列  
24. for i in range(NUM):  
25.     t = Thread(target=working)  
26.     t.setDaemon(True)  
27.     t.start()  
28. #把JOBS排入队列  
29. for i in range(JOBS):  
30.     q.put(i)  
31. #等待所有JOBS完成  
32. 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：
-
1.google那种验证码，凉拌
-
2.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。
-
3.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。