用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。
1、基本抓取网页
get方法
1
2
3
4
5
|
import
urllib2
url
=
"http://www.baidu.com"
response
=
urllib2.urlopen(url)
print
response.read()
|
post方法
1
2
3
4
5
6
7
8
9
|
import
urllib
import
urllib2
url
=
"http://abcde.com"
form
=
{
'name'
:
'abc'
,
'password'
:
'1234'
}
form_data
=
urllib.urlencode(form)
request
=
urllib2.Request(url,form_data)
response
=
urllib2.urlopen(request)
print
response.read()
|
2、使用代理IP
在开发爬虫过程中经常会遇到IP被封掉的情况,这时就需要用到代理IP;
在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,如下代码片段:
1
2
3
4
5
6
7
|
import
urllib2
proxy
=
urllib2.ProxyHandler({
'http'
:
'127.0.0.1:8087'
})
opener
=
urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response
=
urllib2.urlopen(
'http://www.baidu.com'
)
print
response.read()
|
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源.
代码片段:
1
2
3
4
5
6
|
import
urllib2, cookielib
cookie_support
=
urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener
=
urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content
=
urllib2.urlopen(
'http://XXXX'
).read()
|
关键在于CookieJar(),它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。
手动添加cookie
1
2
|
cookie
=
"PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header(
"Cookie"
, cookie)
|
4、伪装成浏览器
某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况
对有些 header 要特别留意,Server 端会针对这些 header 做检查
1.User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request
2.Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现,代码片段如下:
1
2
3
4
5
6
7
8
9
10
|
import
urllib2
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'
}
request
=
urllib2.Request(
url
=
'http://my.oschina.net/jhao104/blog?catalog=3463517'
,
headers
=
headers
)
print
urllib2.urlopen(request).read()
|
5、页面解析
对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明,附两个比较好的网址:
正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试:http://tool.oschina.net/regex/
其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:
lxml:http://my.oschina.net/jhao104/blog/639448
BeautifulSoup:http://cuiqingcai.com/1319.html
对于这两个库,我的评价是,都是HTML/XML的处理库,Beautifulsoup纯python实现,效率低,但是功能实用,比如能用通过结果搜索获得某个HTML节点的源码;lxmlC语言编码,高效,支持Xpath
6、验证码的处理
对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。
7、gzip压缩
有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。
但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码:
1
2
3
4
5
|
import
urllib2, httplib
request
=
urllib2.Request(
'http://xxxx.com'
)
request.add_header(
'Accept-encoding'
,
'gzip'
)
1
opener
=
urllib2.build_opener()
f
=
opener.
open
(request)
|
这是关键:创建Request对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据
然后就是解压缩数据:
1
2
3
4
5
6
7
|
import
StringIO
import
gzip
compresseddata
=
f.read()
compressedstream
=
StringIO.StringIO(compresseddata)
gzipper
=
gzip.GzipFile(fileobj
=
compressedstream)
print
gzipper.read()
|
8、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的。
虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。
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()
|
转载请注明来源:开源中国 http://my.oschina.net/jhao104/blog/647308
用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。
1、基本抓取网页
get方法
1
2
3
4
5
|
import
urllib2
url
=
"http://www.baidu.com"
response
=
urllib2.urlopen(url)
print
response.read()
|
post方法
1
2
3
4
5
6
7
8
9
|
import
urllib
import
urllib2
url
=
"http://abcde.com"
form
=
{
'name'
:
'abc'
,
'password'
:
'1234'
}
form_data
=
urllib.urlencode(form)
request
=
urllib2.Request(url,form_data)
response
=
urllib2.urlopen(request)
print
response.read()
|
2、使用代理IP
在开发爬虫过程中经常会遇到IP被封掉的情况,这时就需要用到代理IP;
在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,如下代码片段:
1
2
3
4
5
6
7
|
import
urllib2
proxy
=
urllib2.ProxyHandler({
'http'
:
'127.0.0.1:8087'
})
opener
=
urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response
=
urllib2.urlopen(
'http://www.baidu.com'
)
print
response.read()
|
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源.
代码片段:
1
2
3
4
5
6
|
import
urllib2, cookielib
cookie_support
=
urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener
=
urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content
=
urllib2.urlopen(
'http://XXXX'
).read()
|
关键在于CookieJar(),它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。
手动添加cookie
1
2
|
cookie
=
"PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header(
"Cookie"
, cookie)
|
4、伪装成浏览器
某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况
对有些 header 要特别留意,Server 端会针对这些 header 做检查
1.User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request
2.Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现,代码片段如下:
1
2
3
4
5
6
7
8
9
10
|
import
urllib2
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'
}
request
=
urllib2.Request(
url
=
'http://my.oschina.net/jhao104/blog?catalog=3463517'
,
headers
=
headers
)
print
urllib2.urlopen(request).read()
|
5、页面解析
对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明,附两个比较好的网址:
正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试:http://tool.oschina.net/regex/
其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:
lxml:http://my.oschina.net/jhao104/blog/639448
BeautifulSoup:http://cuiqingcai.com/1319.html
对于这两个库,我的评价是,都是HTML/XML的处理库,Beautifulsoup纯python实现,效率低,但是功能实用,比如能用通过结果搜索获得某个HTML节点的源码;lxmlC语言编码,高效,支持Xpath
6、验证码的处理
对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。
7、gzip压缩
有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。
但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码:
1
2
3
4
5
|
import
urllib2, httplib
request
=
urllib2.Request(
'http://xxxx.com'
)
request.add_header(
'Accept-encoding'
,
'gzip'
)
1
opener
=
urllib2.build_opener()
f
=
opener.
open
(request)
|
这是关键:创建Request对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据
然后就是解压缩数据:
1
2
3
4
5
6
7
|
import
StringIO
import
gzip
compresseddata
=
f.read()
compressedstream
=
StringIO.StringIO(compresseddata)
gzipper
=
gzip.GzipFile(fileobj
=
compressedstream)
print
gzipper.read()
|
8、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的。
虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。
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()
用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。 爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。 1、基本抓取网页get方法
post方法
2、使用代理IP在开发爬虫过程中经常会遇到IP被封掉的情况,这时就需要用到代理IP; 在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,如下代码片段:
3、Cookies处理cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源. 代码片段:
关键在于CookieJar(),它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。 手动添加cookie
4、伪装成浏览器某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况 对有些 header 要特别留意,Server 端会针对这些 header 做检查 1.User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request 2.Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。 这时可以通过修改http包中的header来实现,代码片段如下:
5、页面解析对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明,附两个比较好的网址: 正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 正则表达式在线测试:http://tool.oschina.net/regex/ 其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站: lxml:http://my.oschina.net/jhao104/blog/639448 BeautifulSoup:http://cuiqingcai.com/1319.html 对于这两个库,我的评价是,都是HTML/XML的处理库,Beautifulsoup纯python实现,效率低,但是功能实用,比如能用通过结果搜索获得某个HTML节点的源码;lxmlC语言编码,高效,支持Xpath 6、验证码的处理对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。 7、gzip压缩有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。 但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。 于是需要这样修改代码:
这是关键:创建Request对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据 然后就是解压缩数据:
8、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的。 虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。
转载请注明来源:开源中国 http://my.oschina.net/jhao104/blog/647308 |
用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。
1、基本抓取网页
get方法
1
2
3
4
5
|
import
urllib2
url
=
"http://www.baidu.com"
response
=
urllib2.urlopen(url)
print
response.read()
|
post方法
1
2
3
4
5
6
7
8
9
|
import
urllib
import
urllib2
url
=
"http://abcde.com"
form
=
{
'name'
:
'abc'
,
'password'
:
'1234'
}
form_data
=
urllib.urlencode(form)
request
=
urllib2.Request(url,form_data)
response
=
urllib2.urlopen(request)
print
response.read()
|
2、使用代理IP
在开发爬虫过程中经常会遇到IP被封掉的情况,这时就需要用到代理IP;
在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,如下代码片段:
1
2
3
4
5
6
7
|
import
urllib2
proxy
=
urllib2.ProxyHandler({
'http'
:
'127.0.0.1:8087'
})
opener
=
urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response
=
urllib2.urlopen(
'http://www.baidu.com'
)
print
response.read()
|
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源.
代码片段:
1
2
3
4
5
6
|
import
urllib2, cookielib
cookie_support
=
urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener
=
urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content
=
urllib2.urlopen(
'http://XXXX'
).read()
|
关键在于CookieJar(),它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。
手动添加cookie
1
2
|
cookie
=
"PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header(
"Cookie"
, cookie)
|
4、伪装成浏览器
某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况
对有些 header 要特别留意,Server 端会针对这些 header 做检查
1.User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request
2.Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现,代码片段如下:
1
2
3
4
5
6
7
8
9
10
|
import
urllib2
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'
}
request
=
urllib2.Request(
url
=
'http://my.oschina.net/jhao104/blog?catalog=3463517'
,
headers
=
headers
)
print
urllib2.urlopen(request).read()
|
5、页面解析
对于页面解析最强大的当然是正则表达式,这个对于不同网站不同的使用者都不一样,就不用过多的说明,附两个比较好的网址:
正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试:http://tool.oschina.net/regex/
其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:
lxml:http://my.oschina.net/jhao104/blog/639448
BeautifulSoup:http://cuiqingcai.com/1319.html
对于这两个库,我的评价是,都是HTML/XML的处理库,Beautifulsoup纯python实现,效率低,但是功能实用,比如能用通过结果搜索获得某个HTML节点的源码;lxmlC语言编码,高效,支持Xpath
6、验证码的处理
对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。
7、gzip压缩
有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。
但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码:
1
2
3
4
5
|
import
urllib2, httplib
request
=
urllib2.Request(
'http://xxxx.com'
)
request.add_header(
'Accept-encoding'
,
'gzip'
)
1
opener
=
urllib2.build_opener()
f
=
opener.
open
(request)
|
这是关键:创建Request对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据
然后就是解压缩数据:
1
2
3
4
5
6
7
|
import
StringIO
import
gzip
compresseddata
=
f.read()
compressedstream
=
StringIO.StringIO(compresseddata)
gzipper
=
gzip.GzipFile(fileobj
=
compressedstream)
print
gzipper.read()
|
8、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的。
虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。
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()
|