您好,登錄后才能下訂單哦!
學(xué)用python也有3個(gè)多月了,用得最多的還是各類爬蟲腳本:寫過抓代理本機(jī)驗(yàn)證的腳本,寫過在discuz論壇中自動登錄自動發(fā)貼的腳本,寫過自動收郵件的腳本,寫過簡單的驗(yàn)證碼識別的腳本,本來想寫google music的抓取腳本的,結(jié)果有了強(qiáng)大的gmbox,也就不用寫了。
這些腳本有一個(gè)共性,都是和web相關(guān)的,總要用到獲取鏈接的一些方法,再加上simplecd這個(gè)半爬蟲半網(wǎng)站的項(xiàng)目,累積不少爬蟲抓站的經(jīng)驗(yàn),在此總結(jié)一下,那么以后做東西也就不用重復(fù)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(wù)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(shù)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(cuò),如果想同時(shí)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(nèi)容。
比如我一般用firefox+httpfox插件來看看自己到底發(fā)送了些什么包
這個(gè)我就舉個(gè)例子好了,以verycd為例,先找到自己發(fā)的POST請求,以及POST表單項(xiàng):
可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項(xiàng),其中fk是隨機(jī)生成的(其實(shí)不太隨機(jī),看上去像是把epoch時(shí)間經(jīng)過簡單的編碼生成的),需要從網(wǎng)頁獲取,也就是說得先訪問一次網(wǎng)頁,用正則表達(dá)式等工具截取返回?cái)?shù)據(jù)中的fk項(xiàng)。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(shù)據(jù),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(fā)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(wǎng)站反感爬蟲的到訪,于是對爬蟲一律拒絕請求。這時(shí)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(shí)現(xiàn):
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(diǎn)有所謂的反盜鏈設(shè)置,其實(shí)說穿了很簡單,就是檢查你發(fā)送請求的header里面,referer站點(diǎn)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(wǎng)站即可,以黑幕著稱地cnbeta為例:
headers = { 'Referer':'http://www.cnbeta.com/articles' }
headers是一個(gè)dict數(shù)據(jù)結(jié)構(gòu),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(wǎng)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(shí)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(fù)欺負(fù)他,呵呵。
3.5 終極絕招
有時(shí)候即使做了3.1-3.4,訪問還是會被據(jù),那么沒辦法,老老實(shí)實(shí)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(jìn)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(fā)抓取
單線程太慢的話,就需要多線程了,這里給個(gè)簡單的線程池模板 這個(gè)程序只是簡單地打印了1-10,但是可以看出是并發(fā)地。
from threading import Thread from Queue import Queue from time import sleep #q是任務(wù)隊(duì)列 #NUM是并發(fā)線程總數(shù) #JOBS是有多少任務(wù) q = Queue() NUM = 2 JOBS = 10 #具體的處理函數(shù),負(fù)責(zé)處理單個(gè)任務(wù) def do_somthing_using(arguments): print arguments #這個(gè)是工作進(jìn)程,負(fù)責(zé)不斷從隊(duì)列取數(shù)據(jù)并處理 def working(): while True: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done() #fork NUM個(gè)線程等待隊(duì)列 for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start() #把JOBS排入隊(duì)列 for i in range(JOBS): q.put(i) #等待所有JOBS完成 q.join()
5.驗(yàn)證碼的處理
碰到驗(yàn)證碼咋辦?這里分兩種情況處理:
6 gzip/deflate支持
現(xiàn)在的網(wǎng)頁普遍支持gzip壓縮,這往往可以解決大量傳輸時(shí)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(rèn)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(xiàng)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(shí)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(wǎng)頁,如果服務(wù)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(jié)一文的確提及了一個(gè)簡單的多線程模板,但是那個(gè)東東真正應(yīng)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(jìn)行多線程方面我也動了一番腦筋。先想想怎么進(jìn)行多線程調(diào)用最方便呢?
1、用twisted進(jìn)行異步I/O抓取
事實(shí)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(jié)束時(shí)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(diào)用parse_page方法 .addErrback(fetch_error,url) #失敗則調(diào)用fetch_error方法 reactor.callLater(5, reactor.stop) #5秒鐘后通知reactor結(jié)束程序 reactor.run()
twisted人如其名,寫的代碼實(shí)在是太扭曲了,非正常人所能接受,雖然這個(gè)簡單的例子看上去還好;每次寫twisted的程序整個(gè)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(kuò)展,就得為twisted寫個(gè)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。
這篇講怎么用twisted來進(jìn)行批量網(wǎng)址處理的文章不錯(cuò),由淺入深,深入淺出,可以一看。
2、設(shè)計(jì)一個(gè)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(gè)Fetcher類,你可以這么調(diào)用
f = Fetcher(threads=10) #設(shè)定下載線程數(shù)為10 for url in urls: f.push(url) #把所有url推入下載隊(duì)列 while f.taskleft(): #若還有未完成下載的線程 content = f.pop() #從下載完成隊(duì)列中取出結(jié)果 do_with(content) # 處理content內(nèi)容
這么個(gè)多線程調(diào)用簡單明了,那么就這么設(shè)計(jì)吧,首先要有兩個(gè)隊(duì)列,用Queue搞定,多線程的基本架構(gòu)也和“技巧總結(jié)”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(yùn)行的任務(wù)”或者”隊(duì)列中的任務(wù)”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(wù)隊(duì)列 self.q_ans = Queue() #完成隊(duì)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(gòu)時(shí)需等待兩個(gè)隊(duì)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(jìn)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(jīng)驗(yàn)
1、連接池:
opener.open和urllib2.urlopen一樣,都會新建一個(gè)http請求。通常情況下這不是什么問題,因?yàn)榫€性環(huán)境下,一秒鐘可能也就新生成一個(gè)請求;然而在多線程環(huán)境下,每秒鐘可以是幾十上百個(gè)請求,這么干只要幾分鐘,正常的有理智的服務(wù)器一定會封禁你的。
然而在正常的html請求時(shí),保持同時(shí)和服務(wù)器幾十個(gè)連接又是很正常的一件事,所以完全可以手動維護(hù)一個(gè)HttpConnection的池,然后每次抓取時(shí)從連接池里面選連接進(jìn)行連接即可。
這里有一個(gè)取巧的方法,就是利用squid做代理服務(wù)器來進(jìn)行抓取,則squid會自動為你維護(hù)連接池,還附帶數(shù)據(jù)緩存功能,而且squid本來就是我每個(gè)服務(wù)器上面必裝的東東,何必再自找麻煩寫連接池呢。
2、設(shè)定線程的棧大小
棧大小的設(shè)定將非常顯著地影響python的內(nèi)存占用,python多線程不設(shè)置這個(gè)值會導(dǎo)致程序占用大量內(nèi)存,這對openvz的vps來說非常致命。stack_size必須大于32768,實(shí)際上應(yīng)該總要32768*2以上
from threading import stack_size stack_size(32768*16)
3、設(shè)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(shè)置超時(shí)
import socket socket.setdefaulttimeout(10) #設(shè)置10秒后連接超時(shí)
5、登陸
登陸更加簡化了,首先build_opener中要加入cookie支持,參考“總結(jié)”一文;如要登陸VeryCD,給Fetcher新增一個(gè)空方法login,并在init()中調(diào)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()
于是在Fetcher初始化時(shí)便會自動登錄VeryCD網(wǎng)站。
9. 總結(jié)
如此,把上述所有小技巧都糅合起來就和我目前的私藏最終版的Fetcher類相差不遠(yuǎn)了,它支持多線程,gzip/deflate壓縮,超時(shí)設(shè)置,自動重試,設(shè)置棧大小,自動登錄等功能;代碼簡單,使用方便,性能也不俗,可謂居家旅行,殺人放火,咳咳,之必備工具。
之所以說和最終版差得不遠(yuǎn),是因?yàn)樽罱K版還有一個(gè)保留功能“馬甲術(shù)”:多代理自動選擇。看起來好像僅僅是一個(gè)random.choice的區(qū)別,其實(shí)包含了代理獲取,代理驗(yàn)證,代理測速等諸多環(huán)節(jié),這就是另一個(gè)故事了。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。