python开发自己的工具包_爬虫开发python工具包介绍 （4）

本文来自网易云社区

作者：王涛

此处我们给出几个常用的代码例子，包括get,post(json,表单),带证书访问：

Get 请求@gen.coroutine

def fetch_url():

try:

c = CurlAsyncHTTPClient()  # 定义一个httpclient

myheaders = {

"Host": "weixin.sogou.com",

"Connection": "keep-alive",

"Cache-Control": "max-age=0",

"Upgrade-Insecure-Requests": "1",

"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5 ",

"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",

"Accept-Encoding": "gzip, deflate",

"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8"

}

url = "http://weixin.sogou.com/weixin?type=1&s_from=input&query=%E4%BA%BA%E6%B0%91%E6%97%A5%E6%8A%A5&ie=utf8&_sug_=n&_sug_type_="

req = HTTPRequest(url=url, method="GET", headers=myheaders, follow_redirects=True, request_timeout=20, connect_timeout=10,

proxy_host="127.0.0.1",

proxy_port=8888)

response = yield c.fetch(req)  # 发起请求

print response.code

print response.body

IOLoop.current().stop()  # 停止ioloop线程

except:

print traceback.format_exc()

Fiddler 抓到的报文请求头：

POST  JSON数据请求@gen.coroutine

def fetch_url():

"""抓取url"""

try:

c = CurlAsyncHTTPClient()  # 定义一个httpclient

myheaders = {

"Host": "weixin.sogou.com",

"Connection": "keep-alive",

"Cache-Control": "max-age=0",

"Upgrade-Insecure-Requests": "1",

"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5 ",

"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",

"Accept-Encoding": "gzip, deflate",

"Content-Type": "Application/json",

"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8"

}

url = "http://127.0.0.1?type=1&s_from=input&query=%E4%BA%BA%E6%B0%91%E6%97%A5%E6%8A%A5&ie=utf8&_sug_=n&_sug_type_="

body =json.dumps({"key1": "value1", "key2": "value2"})  # Json格式数据

req = HTTPRequest(url=url, method="POST", headers=myheaders, follow_redirects=True, request_timeout=20, connect_timeout=10,

proxy_host="127.0.0.1",proxy_port=8888,body=body)

response = yield c.fetch(req)  # 发起请求

print response.code

print response.body

IOLoop.current().stop()  # 停止ioloop线程

except:

print traceback.format_exc()

Fiddler 抓到的报文请求头：

POST  Form表单数据请求@gen.coroutine

def fetch_url():

"""抓取url"""

try:

c = CurlAsyncHTTPClient()  # 定义一个httpclient

myheaders = {

"Host": "weixin.sogou.com",

"Connection": "keep-alive",

"Cache-Control": "max-age=0",

"Upgrade-Insecure-Requests": "1",

"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5 ",

"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",

"Accept-Encoding": "gzip, deflate",

# "Content-Type": "Application/json",

"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8"

}

import urllib

url = "http://127.0.0.1?type=1&s_from=input&query=%E4%BA%BA%E6%B0%91%E6%97%A5%E6%8A%A5&ie=utf8&_sug_=n&_sug_type_="

body =urllib.urlencode({"key1": "value1", "key2": "value2"})  # 封装form表单

req = HTTPRequest(url=url, method="POST", headers=myheaders, follow_redirects=True, request_timeout=20, connect_timeout=10,

proxy_host="127.0.0.1",proxy_port=8888,body=body)

response = yield c.fetch(req)  # 发起请求

print response.code

print response.body

IOLoop.current().stop()  # 停止ioloop线程

except:

print traceback.format_exc()

Fiddler 抓到的报文请求头：

添加证书访问def fetch_url():

"""抓取url"""

try:

c = CurlAsyncHTTPClient()  # 定义一个httpclient

myheaders = {

"Host": "www.amazon.com",

"Connection": "keep-alive",

"Cache-Control": "max-age=0",

"Upgrade-Insecure-Requests": "1",

"User-Agent": ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "

"AppleWebKit/537.36 (KHTML, like Gecko) "

"Chrome/68.0.3440.106 Safari/537.36"),

"Accept": ("text/html,application/xhtml+xml,"

"application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8"),

"Accept-Encoding": "gzip, deflate, br",

"Accept-Language": "zh-CN,zh;q=0.9,en;q=0.8"

}

import urllib

url = "https://www.amazon.com/"

req = HTTPRequest(url=url, method="GET", headers=myheaders, follow_redirects=True, request_timeout=20, connect_timeout=10,proxy_host="127.0.0.1",

proxy_port=8888,ca_certs="FiddlerRoot.pem")  # 绑定证书

response = yield c.fetch(req)  # 发起请求

print response.code

print response.body

IOLoop.current().stop()  # 停止ioloop线程

except:

print traceback.format_exc()

Fiddler抓到的报文(说明可以正常访问)

四、总结

抓取量少的时候，建议使用requests,简单易用。

并发量大的时候，建议使用tornado，单线程高并发，高效易编程。

以上给出了requests和Fiddler中常用的接口和参数说明，能解决爬虫面对的大部分问题，包括并发抓取、日常的反爬应对，https网站的抓取。

附上一段我自己的常用抓取代码逻辑：import randomfrom tornado.ioloop import IOLoopfrom tornado import genfrom tornado.queues import Queue

import random

from tornado.ioloop import IOLoop

from tornado import gen

from tornado.queues import Queue

TASK_QUE = Queue(maxsize=1000)

def response_handler(res):

""" 处理应答，一般会把解析的新的url添加到任务队列中，并且解析出目标数据 """

pass

@gen.coroutine

def url_fetcher_without_param():

pass

@gen.coroutine

def url_fetcher(*args,**kwargs):

global TASK_QUE

c = CurlAsyncHTTPClient()

while 1:

#console_show_log("Let's spider")

try:

param = TASK_QUE.get(time.time() + 300) # 5 分钟超时

except tornado.util.TimeoutError::

yield gen.sleep(random.randint(10,100))

continue

try:

req = HTTPRequest(url,method=,headers=,....) # 按需配置参数

response = yield c.fetch(req)

if response.coe==200:

response_handler(response.body)

except Exception:

yield gen.sleep(10)

continue

finally:

print "I am a slow spider"

yield gen.sleep(random.randint(10,100))

@gen.coroutine

def period_callback():

pass

def main():

io_loop = IOLoop.current()

# 添加并发逻辑1

io_loop.spawn_callback(url_fetcher, 1)

io_loop.spawn_callback(url_fetcher, 2)

io_loop.spawn_callback(url_fetcher_without_param) # 参数是可选的

# 如果需要周期调用，调用PeriodicCallback：

PERIOD_CALLBACK_MILSEC = 10  # 10, 单位ms

io_loop.PeriodicCallback(period_callback,).start()

io_loop.start()

if __name__ == "__main__":

main()

以上，欢迎讨论交流

五、参考：

网易云免费体验馆，0成本体验20+款云产品！

更多网易研发、产品、运营经验分享请访问网易云社区。