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
- import urllib2
- url "http://www.baidu.com"
- respons = urllib2.urlopen(url)
- print response.read()
post 方法
- 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:
- 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()
3Cookies 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:
- 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
- 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:
- 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
7gzip 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:
- 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:
- 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
- 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()
来源: http://www.jqhtml.com/12159.html