国产探花免费观看_亚洲丰满少妇自慰呻吟_97日韩有码在线_资源在线日韩欧美_一区二区精品毛片,辰东完美世界有声小说,欢乐颂第一季,yy玄幻小说排行榜完本

首頁 > 編程 > Python > 正文

總結(jié)python爬蟲抓站的實(shí)用技巧

2019-11-25 16:37:18
字體:
供稿:網(wǎng)友

前言

寫過的這些腳本有一個(gè)共性,都是和web相關(guān)的,總要用到獲取鏈接的一些方法,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(dòng)了。

1.最基本的抓站

import urllib2content = 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 urllib2proxy_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, cookielibcookie_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(qǐng)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(jiǎn)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 urllibpostdata=urllib.urlencode({ 'username':'XXXXX', 'password':'XXXXX', 'continueURI':'http://www.verycd.com/', 'fk':fk, 'login_submit':'登錄'})

然后生成http請(qǐng)求,再發(fā)送請(qǐng)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(duì)爬蟲一律拒絕請(qǐng)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(jiǎn)單,就是檢查你發(fā)送請(qǐng)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(huì)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(jiǎn)單的線程池模板 這個(gè)程序只是簡(jiǎn)單地打印了1-10,但是可以看出是并發(fā)地。

from threading import Threadfrom Queue import Queuefrom 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 = 2JOBS = 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:

     1、google那種驗(yàn)證碼,涼拌

     2、簡(jiǎn)單的驗(yàn)證碼:字符個(gè)數(shù)有限,只使用了簡(jiǎn)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(gè)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(yàn)證碼和特征庫進(jìn)行比較。這個(gè)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(qǐng)弄本相關(guān)教科書好好研究一下。

事實(shí)上有些驗(yàn)證碼還是很弱的,這里就不點(diǎn)名了,反正我通過2的方法提取過準(zhǔn)確度非常高的驗(yàn)證碼,所以2事實(shí)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(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(huì)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(dòng)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 urllib2from gzip import GzipFilefrom StringIO import StringIOclass 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 supportimport zlibdef 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(jiǎn)單了,

encoding_support = ContentEncodingProcessoropener = 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(dòng)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(jiǎn)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(huì)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(dòng)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 getPagefrom 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(jiǎn)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(qǐng)自行嘗試。

2、設(shè)計(jì)一個(gè)簡(jiǎn)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10for 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(jiǎn)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 urllib2from threading import Thread,Lockfrom Queue import Queueimport 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(huì)新建一個(gè)http請(qǐng)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(qǐng)求;然而在多線程環(huán)境下,每秒鐘可以是幾十上百個(gè)請(qǐng)求,這么干只要幾分鐘,正常的有理智的服務(wù)器一定會(huì)封禁你的。

然而在正常的html請(qǐng)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(dòng)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(huì)自動(dòng)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(huì)導(dǎo)致程序占用大量?jī)?nèi)存,這對(duì)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_sizestack_size(32768*16)

3、設(shè)置失敗后自動(dòng)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)

登陸更加簡(jiǎn)化了,首先build_opener中要加入cookie支持,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(huì)自動(dòng)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(shí)用技巧的全部?jī)?nèi)容了,本文內(nèi)容代碼簡(jiǎn)單,使用方便,性能也不俗,相信對(duì)各位使用python有很大的幫助。

發(fā)表評(píng)論 共有條評(píng)論
用戶名: 密碼:
驗(yàn)證碼: 匿名發(fā)表
主站蜘蛛池模板: 海安县| 信阳市| 广东省| 洱源县| 马公市| 靖州| 会东县| 达日县| 珲春市| 灵台县| 通州市| 临沭县| 富顺县| 五家渠市| 根河市| 石首市| 唐河县| 城口县| 玉溪市| 祁阳县| 巴东县| 博乐市| 兖州市| 正定县| 文昌市| 响水县| 胶州市| 疏勒县| 绥芬河市| 牟定县| 南皮县| 平阳县| 茌平县| 江门市| 天柱县| 镇坪县| 龙山县| 河西区| 凤山市| 蓝山县| 孟村|