国产成人精品综合久久久,麻豆婷婷,久久这里只有精品66re99

前言

寫過的這些腳本有一個共性，都是和web相關的，總要用到獲取鏈接的一些方法，累積不少爬蟲抓站的經驗，在此總結一下，那么以后做東西也就不用重復勞動了。

1.最基本的抓站

				?

									import urllib2

									content = urllib2.urlopen('http://XXXX').read()

2.使用代理服務器

這在某些情況下比較有用，比如IP被封了，或者比如IP訪問的次數受到限制等等。

				?

									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.需要登錄的情況

登錄的情況比較麻煩我把問題拆分一下：

3.1 cookie的處理

				?

									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()

是的沒錯，如果想同時用代理和cookie，那就加入proxy_support然后operner改為

				?

									opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

3.2 表單的處理

登錄必要填表，表單怎么填？首先利用工具截取所要填表的內容。

比如我一般用firefox+httpfox插件來看看自己到底發送了些什么包

這個我就舉個例子好了，以verycd為例，先找到自己發的POST請求，以及POST表單項：

總結python爬蟲抓站的實用技巧

可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說得先訪問一次網頁，用正則表達式等工具截取返回數據中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有username，password那就很顯然了。

好的，有了要填寫的數據，我們就要生成postdata

				?

									import urllib

									postdata=urllib.urlencode({

									 'username':'XXXXX',

									 'password':'XXXXX',

									 'continueURI':'http://www.verycd.com/',

									 'fk':fk,

									 'login_submit':'登錄'

									})

然后生成http請求，再發送請求：

				?

									req = urllib2.Request(

									 url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',

									 data = postdata

									)

									result = urllib2.urlopen(req).read()

3.3 偽裝成瀏覽器訪問

某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現：

				?

									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”反盜鏈”

某些站點有所謂的反盜鏈設置，其實說穿了很簡單，就是檢查你發送請求的header里面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網站即可，以黑幕著稱地cnbeta為例：

				?

									headers = {

									 'Referer':'http://www.cnbeta.com/articles'

									}

headers是一個dict數據結構，你可以放入任何想要的header，來做一些偽裝。例如，有些自作聰明的網站總喜歡窺人隱私，別人通過代理訪問，他偏偏要讀取header中的X-Forwarded-For來看看人家的真實IP，沒話說，那就直接把X-Forwarde-For改了吧，可以改成隨便什么好玩的東東來欺負欺負他，呵呵。

3.5 終極絕招

有時候即使做了3.1-3.4，訪問還是會被據，那么沒辦法，老老實實把httpfox中看到的headers全都寫上，那一般也就行了。再不行，那就只能用終極絕招了， selenium 直接控制瀏覽器來進行訪問，只要瀏覽器可以做到的，那么它也可以做到。類似的還有pamie，watir，等等等等。

4.多線程并發抓取

單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板這個程序只是簡單地打印了1-10，但是可以看出是并發地。

				?

									from threading import Thread

									from Queue import Queue

									from time import sleep

									#q是任務隊列

									#NUM是并發線程總數

									#JOBS是有多少任務

									q = Queue()

									NUM = 2

									JOBS = 10

									#具體的處理函數，負責處理單個任務

									def do_somthing_using(arguments):

									 print arguments

									#這個是工作進程，負責不斷從隊列取數據并處理

									def working():

									 while True:

									  arguments = q.get()

									  do_somthing_using(arguments)

									  sleep(1)

									  q.task_done()

									#fork NUM個線程等待隊列

									for i in range(NUM):

									 t = Thread(target=working)

									 t.setDaemon(True)

									 t.start()

									#把JOBS排入隊列

									for i in range(JOBS):

									 q.put(i)

									#等待所有JOBS完成

									q.join()

5.驗證碼的處理

碰到驗證碼咋辦？這里分兩種情況處理：

1、google那種驗證碼，涼拌

2、簡單的驗證碼：字符個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，然后把驗證碼和特征庫進行比較。這個比較復雜，一篇博文是說不完的，這里就不展開了，具體做法請弄本相關教科書好好研究一下。

事實上有些驗證碼還是很弱的，這里就不點名了，反正我通過2的方法提取過準確度非常高的驗證碼，所以2事實上是可行的。

6 gzip/deflate支持

現在的網頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，以 VeryCD 的主頁為例，未壓縮版本247K，壓縮了以后45K，為原來的1/5。這就意味著抓取速度會快5倍。

然而python的urllib/urllib2默認都不支持壓縮，要返回壓縮格式，必須在request的header里面寫明'accept-encoding'，然后讀取response后更要檢查header查看是否有'content-encoding'一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支持gzip, defalte呢？

其實可以繼承 BaseHanlder 類，然后build_opener的方式來處理：

				?

									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)

然后就簡單了，

				?

									encoding_support = ContentEncodingProcessor

									opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )

									#直接用opener打開網頁，如果服務器支持gzip/defalte則自動解壓縮

									content = opener.open(url).read()

7. 更方便地多線程

總結一文的確提及了一個簡單的多線程模板，但是那個東東真正應用到程序里面去只會讓程序變得支離破碎，不堪入目。在怎么更方便地進行多線程方面我也動了一番腦筋。先想想怎么進行多線程調用最方便呢？

1、用twisted進行異步I/O抓取

事實上更高效的抓取并非一定要用多線程，也可以使用異步I/O法：直接用twisted的getPage方法，然后分別加上異步I/O結束時的callback和errback方法即可。例如可以這么干：

				?

									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

									# 批量抓取鏈接

									for url in links:

									 getPage(url,timeout=5) \

									  .addCallback(parse_page,url) \ #成功則調用parse_page方法

									  .addErrback(fetch_error,url)  #失敗則調用fetch_error方法

									reactor.callLater(5, reactor.stop) #5秒鐘后通知reactor結束程序

									reactor.run()

twisted人如其名，寫的代碼實在是太扭曲了，非正常人所能接受，雖然這個簡單的例子看上去還好；每次寫twisted的程序整個人都扭曲了，累得不得了，文檔等于沒有，必須得看源碼才知道怎么整，唉不提了。

如果要支持gzip/deflate，甚至做一些登陸的擴展，就得為twisted寫個新的 HTTPClientFactory 類諸如此類，我這眉頭真是大皺，遂放棄。有毅力者請自行嘗試。

2、設計一個簡單的多線程抓取類

還是覺得在urllib之類python“本土”的東東里面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這么調用

				?

									f = Fetcher(threads=10) #設定下載線程數為10

									for url in urls:

									 f.push(url) #把所有url推入下載隊列

									while f.taskleft(): #若還有未完成下載的線程

									 content = f.pop() #從下載完成隊列中取出結果

									 do_with(content) # 處理content內容

這么個多線程調用簡單明了，那么就這么設計吧，首先要有兩個隊列，用Queue搞定，多線程的基本架構也和“技巧總結”一文類似，push方法和pop方法都比較好處理，都是直接用Queue的方法，taskleft則是如果有“正在運行的任務”或者”隊列中的任務”則為是，也好辦，于是代碼如下：

				?

									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() #線程鎖

									  self.q_req = Queue() #任務隊列

									  self.q_ans = Queue() #完成隊列

									  self.threads = threads

									  for i in range(threads):

									   t = Thread(target=self.threadget)

									   t.setDaemon(True)

									   t.start()

									  self.running = 0

									 def __del__(self): #解構時需等待兩個隊列完成

									  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: #要保證該操作的原子性，進入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. 一些瑣碎的經驗

1、連接池：

opener.open和urllib2.urlopen一樣，都會新建一個http請求。通常情況下這不是什么問題，因為線性環境下，一秒鐘可能也就新生成一個請求；然而在多線程環境下，每秒鐘可以是幾十上百個請求，這么干只要幾分鐘，正常的有理智的服務器一定會封禁你的。

然而在正常的html請求時，保持同時和服務器幾十個連接又是很正常的一件事，所以完全可以手動維護一個 HttpConnection 的池，然后每次抓取時從連接池里面選連接進行連接即可。

這里有一個取巧的方法，就是利用squid做代理服務器來進行抓取，則squid會自動為你維護連接池，還附帶數據緩存功能，而且squid本來就是我每個服務器上面必裝的東東，何必再自找麻煩寫連接池呢。

2、設定線程的棧大小

棧大小的設定將非常顯著地影響python的內存占用，python多線程不設置這個值會導致程序占用大量內存，這對openvz的vps來說非常致命。stack_size必須大于32768，實際上應該總要32768*2以上

				?

									from threading import stack_size

									stack_size(32768*16)

3、設置失敗后自動重試

				?

									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、設置超時

				?

									import socket

									socket.setdefaulttimeout(10) #設置10秒后連接超時

登陸更加簡化了，首先build_opener中要加入cookie支持，如要登陸 VeryCD ，給Fetcher新增一個空方法login，并在 init ()中調用，然后繼承Fetcher類并override login方法：

				?

									def login(self,username,password):

									 import urllib

									 data=urllib.urlencode({'username':username,

									       'password':password,

									       'continue':'http://www.verycd.com/',

									       'login_submit':u'登錄'.encode('utf-8'),

									       'save_cookie':1,})

									 url = 'http://www.verycd.com/signin'

									 self.opener.open(url,data).read()