#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
爬虫基础理论
最新推荐文章于 2022-06-08 23:25:22 发布