總結(jié)python爬蟲抓站的實用技巧

更新時間：2016年08月09日 10:31:07 投稿：daisy

很多人學(xué)用python，用得最多的還是各類爬蟲腳本：有寫過抓代理本機(jī)驗證的腳本，有寫過自動收郵件的腳本，還有寫過簡單的驗證碼識別的腳本，那么我們今天就來總結(jié)下python爬蟲抓站的一些實用技巧。

前言

寫過的這些腳本有一個共性，都是和web相關(guān)的，總要用到獲取鏈接的一些方法，累積不少爬蟲抓站的經(jīng)驗，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，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(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

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

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(jī)生成的（其實不太隨機(jī)，看上去像是把epoch時間經(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)式等工具截取返回數(shù)據(jù)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(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(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”

某些站點有所謂的反盜鏈設(shè)置，其實說穿了很簡單，就是檢查你發(fā)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(wǎng)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(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(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(fā)地。

from threading import Thread
from Queue import Queue
from time import sleep
#q是任務(wù)隊列
#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)處理單個任務(wù)
def do_somthing_using(arguments):
 print arguments
#這個是工作進(jìn)程，負(fù)責(zé)不斷從隊列取數(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(shù)有限，只使用了簡單的平移或旋轉(zhuǎn)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(zhuǎn)的轉(zhuǎn)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(jìn)行比較。這個比較復(fù)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(guān)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(zhǔn)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(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(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簡單的多線程模板，但是那個東東真正應(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(kuò)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(shè)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(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(jié)果
 do_with(content) # 處理content內(nèi)容

這么個多線程調(diào)用簡單明了，那么就這么設(shè)計吧，首先要有兩個隊列，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(gòu)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(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

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(huán)境下，一秒鐘可能也就新生成一個請求；然而在多線程環(huán)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(wù)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(wù)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(hù)一個 HttpConnection 的池，然后每次抓取時從連接池里面選連接進(jìn)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(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

 import socket
 socket.setdefaulttimeout(10) #設(shè)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(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初始化時便會自動登錄 VeryCD 網(wǎng)站。

9. 總結(jié)

如此，以上就是總結(jié)python爬蟲抓站的實用技巧的全部內(nèi)容了，本文內(nèi)容代碼簡單，使用方便，性能也不俗，相信對各位使用python有很大的幫助。

您可能感興趣的文章: