爬虫基础理论

#coding=utf-8

# 一、基本的抓站

import urllib2

content=urllib2.urlopen('http://www.baidu.com').read()


#二、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。

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()



#三、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
import urllib
postdata=urllib.urlencode({
    'username':'xxxx',
    'password':'xxxx',
    'continueURI':'http://verycv.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，

'''


#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。
'''


#四、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。
'''

from threading import Tread
from Queue import Queue
from time import sleep

#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  
def do_something_using(arguments):
    print arguments

#这个是工作进程，负责不断从队列取数据并处理  
def working():
    while True:
        arguments=q.get()
        do_something_using(arguments)
        sleeping(1)
        q.task_done()

#fork NUM个线程等待队列 
for i in range(NUM):
    t=Thread(target=working)
    t.setDaemon(True)
    t.start()

#把JOBS排入队列  
for i in range(JOBS):
    q.put(i)

#等待所有JOBS完成  
q.join()


#五、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。
'''

#结束