学用python也有3个多月了,用得最多的还是各类爬虫脚本:写过抓代理本机验证的脚本,写过在discuz论坛中自动登录自动发贴的脚本,写过自动收邮件的脚本,写过简单的验证码识别的脚本,本来想写google music的抓取脚本的,结果有了强大的gmbox,也就不用写了。
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。
1.最基本的抓站
1
|
import
urllib2 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。
1
2
3
4
5
|
import
urllib2
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
1
2
3
4
5
|
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
1
|
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
1
2
3
4
5
6
7
8
|
import
urllib
postdata
=
urllib.urlencode({
'username'
:
'XXXXX'
,
'password'
:
'XXXXX'
,
'continueURI'
:
'http://www.verycd.com/'
,
'fk'
:fk,
'login_submit'
:
'登录'
})
|
1
2
3
4
5
|
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:
1
2
3
4
5
6
7
8
|
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:
1
2
3
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
from
threading
import
Thread
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_somthing_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_somthing_using(arguments)
sleep(
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()
|
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
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
#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() opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
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
1
2
3
4
5
6
|
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
|
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)
|
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
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:
1
2
3
4
5
6
7
8
9
|
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。
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。