很多人学用 python,用得最多的还是各类爬虫脚本:有写过抓代理本机验证的脚本,有写过自动收邮件的脚本,还有写过简单的验证码识别的脚本,那么我们今天就来总结下 python 爬虫抓站的一些实用技巧。
Python 是一种面向对象、解释型计算机程序设计语言,由 Guido van Rossum 于 1989 年底发明,第一个公开发行版发行于 1991 年。Python 语法简洁而清晰,具有丰富和强大的类库。它常被昵称为胶水语言,它能够把用其他语言制作的各种模块(尤其是 C/C++)很轻松地联结在一起。
前言
写过的这些脚本有一个共性,都是和 web 相关的,总要用到获取链接的一些方法,累积不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。
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
然后
- proxy_support
改为
- operner
- 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()
5. 验证码的处理
碰到验证码咋办?这里分两种情况处理:
1、google 那种验证码,凉拌
2、简单的验证码:字符个数有限,只使用了简单的平移或旋转加噪音而没有扭曲的,这种还是有可能可以处理的,一般思路是旋转的转回来,噪音去掉,然后划分单个字符,划分好了以后再通过特征提取的方法 (例如 PCA) 降维并生成特征库,然后把验证码和特征库进行比较。这个比较复杂,一篇博文是说不完的,这里就不展开了,具体做法请弄本相关教科书好好研究一下。
事实上有些验证码还是很弱的,这里就不点名了,反正我通过 2 的方法提取过准确度非常高的验证码,所以 2 事实上是可行的。
6 gzip/deflate 支持
现在的网页普遍支持 gzip 压缩,这往往可以解决大量传输时间,以 VeryCD 的主页为例,未压缩版本 247K,压缩了以后 45K,为原来的 1/5。这就意味着抓取速度会快 5 倍。
然而 python 的 urllib/urllib2 默认都不支持压缩,要返回压缩格式,必须在 request 的 header 里面写明'accept-encoding',然后读取 response 后更要检查 header 查看是否有'content-encoding'一项来判断是否需要解码,很繁琐琐碎。如何让 urllib2 自动支持 gzip, defalte 呢?
其实可以继承 BaseHanlder 类,然后 build_opener 的方式来处理:
- 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)
然后就简单了,
- encoding_support = ContentEncodingProcessor
- opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
- #直接用opener打开网页,如果服务器支持gzip/defalte则自动解压缩
- content = opener.open(url).read()
7. 更方便地多线程
总结一文的确提及了一个简单的多线程模板,但是那个东东真正应用到程序里面去只会让程序变得支离破碎,不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢?
1、用 twisted 进行异步 I/O 抓取
事实上更高效的抓取并非一定要用多线程,也可以使用异步 I/O 法:直接用 twisted 的 getPage 方法,然后分别加上异步 I/O 结束时的 callback 和 errback 方法即可。例如可以这么干:
- 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
- # 批量抓取链接
- for url in links:
- getPage(url,timeout=5) \
- .addCallback(parse_page,url) \ #成功则调用parse_page方法
- .addErrback(fetch_error,url) #失败则调用fetch_error方法
- reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
- reactor.run()
twisted 人如其名,写的代码实在是太扭曲了,非正常人所能接受,虽然这个简单的例子看上去还好;每次写 twisted 的程序整个人都扭曲了,累得不得了,文档等于没有,必须得看源码才知道怎么整,唉不提了。
如果要支持 gzip/deflate,甚至做一些登陆的扩展,就得为 twisted 写个新的 HTTPClientFactory 类诸如此类,我这眉头真是大皱,遂放弃。有毅力者请自行尝试。
2、设计一个简单的多线程抓取类
还是觉得在 urllib 之类 python"本土" 的东东里面折腾起来更舒服。试想一下,如果有个 Fetcher 类,你可以这么调用
- f = Fetcher(threads=10) #设定下载线程数为10
- for url in urls:
- f.push(url) #把所有url推入下载队列
- while f.taskleft(): #若还有未完成下载的线程
- content = f.pop() #从下载完成队列中取出结果
- do_with(content) # 处理content内容
这么个多线程调用简单明了,那么就这么设计吧,首先要有两个队列,用 Queue 搞定,多线程的基本架构也和 "技巧总结" 一文类似,push 方法和 pop 方法都比较好处理,都是直接用 Queue 的方法,taskleft 则是如果有 "正在运行的任务" 或者 "队列中的任务" 则为是,也好办,于是代码如下:
- 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() #线程锁
- self.q_req = Queue() #任务队列
- self.q_ans = Queue() #完成队列
- self.threads = threads
- for i in range(threads):
- t = Thread(target=self.threadget)
- t.setDaemon(True)
- t.start()
- self.running = 0
- def __del__(self): #解构时需等待两个队列完成
- 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: #要保证该操作的原子性,进入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. 一些琐碎的经验
1、连接池:
opener.open 和 urllib2.urlopen 一样,都会新建一个 http 请求。通常情况下这不是什么问题,因为线性环境下,一秒钟可能也就新生成一个请求;然而在多线程环境下,每秒钟可以是几十上百个请求,这么干只要几分钟,正常的有理智的服务器一定会封禁你的。
然而在正常的 html 请求时,保持同时和服务器几十个连接又是很正常的一件事,所以完全可以手动维护一个 HttpConnection 的池,然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法,就是利用 squid 做代理服务器来进行抓取,则 squid 会自动为你维护连接池,还附带数据缓存功能,而且 squid 本来就是我每个服务器上面必装的东东,何必再自找麻烦写连接池呢。
2、设定线程的栈大小
栈大小的设定将非常显著地影响 python 的内存占用,python 多线程不设置这个值会导致程序占用大量内存,这对 openvz 的 vps 来说非常致命。stack_size 必须大于 32768,实际上应该总要 32768*2 以上
- from threading import stack_size
- stack_size(32768*16)
3、设置失败后自动重试
- 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、设置超时
- import socket
- socket.setdefaulttimeout(10) #设置10秒后连接超时
登陆更加简化了,首先 build_opener 中要加入 cookie 支持,如要登陆 VeryCD ,给 Fetcher 新增一个空方法 login,并在 init () 中调用,然后继承 Fetcher 类并 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'登录'.encode('utf-8'),
- 'save_cookie':1,})
- url = 'http://www.verycd.com/signin'
- self.opener.open(url,data).read()
于是在 Fetcher 初始化时便会自动登录 VeryCD 网站。
9. 总结
如此,以上就是总结 python 爬虫抓站的实用技巧的全部内容了,本文内容代码简单,使用方便,性能也不俗,相信对各位使用 python 有很大的帮助。
来源: http://www.phperz.com/article/17/0314/291049.html