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
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
|
1.
最基本的抓站
import
urllib2
-
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。
import
urllib2
opener
=
urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
-
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
import
urllib2, cookielib
cookie_support
=
urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener
=
urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
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'
:
'XXXXX'
,
'password'
:
'XXXXX'
,
'fk'
:fk,
'login_submit'
:
'登录'
})
-
然后生成http请求,再发送请求:
req
=
urllib2.Request(
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(
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
=
{
}
#...
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。
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()
|