python的小爬虫的基本写法

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 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。   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   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' : 'XXXXX' ,      'password' : 'XXXXX' ,      'continueURI' : 'http://www.verycd.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，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()