欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python使用Mechanize模塊編寫爬蟲的要點解析

 更新時間：2016年03月31日 15:55:08   作者：iWonderLinux  
這篇文章主要介紹了Python使用Mechanize模塊編寫爬蟲的要點解析,作者還講解了Mechanize程序占用內(nèi)存過高問題的相關解決方法,需要的朋友可以參考下

 mechanize是對urllib2的部分功能的替換，能夠更好的模擬瀏覽器行為，在web訪問控制方面做得更全面。結(jié)合beautifulsoup和re模塊，可以有效的解析web頁面，我比較喜歡這種方法。
    下面主要總結(jié)了使用mechanize模擬瀏覽器的行為和幾個例子（谷歌搜索，百度搜索和人人網(wǎng)登錄等）
1.初始化并建立一個瀏覽器對象
    如果沒有mechanize需要easy_install安裝，以下代碼建立瀏覽器對象并作了一些初始化設置，實際使用過程可以按需開關。其實只用默認的設置也可以完成基本任務。

#!/usr/bin/env python
import sys,mechanize

#Browser
br = mechanize.Browser()

#options
br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)

#Follows refresh 0 but not hangs on refresh > 0
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

#debugging?
br.set_debug_http(True)
br.set_debug_redirects(True)
br.set_debug_responses(True)

#User-Agent (this is cheating, ok?)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]


2.模擬瀏覽器行為
    瀏覽器對象建立并初始化完畢之后即可使用了，下面給出幾個例子（代碼承接以上部分）
獲取web網(wǎng)頁：
    分行打印可以逐個查看詳細信息，就不贅述

r = br.open(sys.argv[1])
html = r.read()
print html
print br.response().read()
print br.title()
print r.info()


模擬谷歌和百度查詢
    打印和選擇forms，然后填寫相應鍵值，通過post提交完成操作

for f in br.forms():
 print f

br.select_form(nr=0)

    谷歌查詢football

br.form['q'] = 'football'
br.submit()
print br.response().read()


    百度查詢football

br.form['wd'] = 'football'
br.submit()
print br.response().read()

  
    相應鍵值名，可以通過打印查出

回退（Back）
    非常簡單的操作，打印url即可驗證是否回退

# Back
br.back()
print br.geturl()

3.http基本認證

br.add_password('http://xxx.com', 'username', 'password')
br.open('http://xxx.com')

4.form認證
    以登陸人人網(wǎng)為例，打印forms可以查出用戶名和密碼鍵信息

br.select_form(nr = 0)
br['email'] = username
br['password'] = password
resp = self.br.submit()

5.cookie支持
    通過導入cookielib模塊，并設置瀏覽器cookie，可以在需要認證的網(wǎng)絡行為之后不用重復認證登陸。通過保存session cookie即可重新訪問，Cookie Jar完成了該功能。

#!/usr/bin/env python
import mechanize, cookielib

br = mechanize.Browser()
cj = cookielib.LWPCookieJar()
br.set_cookiejar()

6.proxy設置
設置http代理

#Proxy
br.set_proxies({"http":"proxy.com:8888"})
br.add_proxy_password("username", "password")

#Proxy and usrer/password
br.set_proxies({"http":"username:password@proxy.com:8888"})

7.關于內(nèi)存過高問題

在用mechanize寫了一個爬蟲腳本，想要去某網(wǎng)站爬取大概30萬張圖片。
 
整個過程是：
1、獲取目標頁面地址
2、取得目標地址前幾頁的所有圖片url
3、對這些url進行下載，并把索引數(shù)據(jù)保存到mysql數(shù)據(jù)庫。


這個腳本大概每秒鐘完成一張圖片的下載(主要是網(wǎng)絡只有200K/S左右，是瓶頸)
當圖片下載到大約15000張左右的時候，發(fā)現(xiàn)越來越慢，最后干脆停下了。
用ps aux查看，發(fā)現(xiàn)進程sleep了，感覺很奇怪。
free看一下，內(nèi)存竟然只剩下100M了（系統(tǒng)總內(nèi)存4GB）
在網(wǎng)上瞎逛了一下，發(fā)現(xiàn)原來mechanize默認會保存模擬過的操作歷史，導致占用的內(nèi)存越來越大：
http://stackoverflow.com/questions/2393299/how-do-i-disable-history-in-python-mechanize-module
 
為了方便，大約翻譯一下：
mechanize初始化Browser()的時候，如果你不給他傳一個history對象作為參數(shù)，Browser()就會按照默認的方式（允許保存操作歷史）來進行初始化，你可以隨便傳個什么history給它即可，如自定義一個NoHistory對象：
 

class NoHistory(object): 
 def add(self, *a, **k): pass 
 def clear(self): pass 
 
b = mechanize.Browser(history=NoHistory())

相關文章

最新評論