建站
咨詢
售后
建站咨詢
新聞中心
學(xué)用python也有3個(gè)多月了，用得最多的還是各類爬蟲(chóng)腳本：寫(xiě)過(guò)抓代理本機(jī)驗(yàn)證的腳本，寫(xiě)過(guò)在discuz論壇中自動(dòng)登錄自動(dòng)發(fā)貼的腳本，寫(xiě)過(guò)自動(dòng)收郵件的腳本，寫(xiě)過(guò)簡(jiǎn)單的驗(yàn)證碼識(shí)別的腳本，本來(lái)想寫(xiě)google music的抓取腳本的，結(jié)果有了強(qiáng)大的gmbox，也就不用寫(xiě)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(chóng)半網(wǎng)站的項(xiàng)目，累積不少爬蟲(chóng)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 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(wèn)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(wèn)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(méi)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(lái)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(guò)簡(jiǎn)單的編碼生成的），需要從網(wǎng)頁(yè)獲取，也就是說(shuō)得先訪問(wèn)一次網(wǎng)頁(yè)，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(xiě)，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(xiě)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(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(wèn)
某些網(wǎng)站反感爬蟲(chóng)的到訪，于是對(duì)爬蟲(chóng)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(guò)修改http包中的header來(lái)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(shuō)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(lái)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(guò)代理訪問(wèn)，他偏偏要讀取header中的X-Forwarded-For來(lái)看看人家的真實(shí)IP，沒(méi)話說(shuō)，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(lái)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(wèn)還是會(huì)被據(jù)，那么沒(méi)辦法，老老實(shí)實(shí)把httpfox中看到的headers全都寫(xiě)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(lái)進(jìn)行訪問(wèn)，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 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：
- google那種驗(yàn)證碼，涼拌
- 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(méi)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(lái)，噪音去掉，然后劃分單個(gè)字符，劃分好了以后再通過(guò)特征提取的方法(例如PCA)降維并生成特征庫(kù)，然后把驗(yàn)證碼和特征庫(kù)進(jìn)行比較。這個(gè)比較復(fù)雜，一篇博文是說(shuō)不完的，這里就不展開(kāi)了，具體做法請(qǐng)弄本相關(guān)教科書(shū)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(guò)2的方法提取過(guò)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(yè)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(yè)為例，未壓縮版本247K，壓縮了以后45K，為原來(lái)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(xiě)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(lái)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(lái)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(jiǎn)單了，
- encoding_support = ContentEncodingProcessor
- opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
- #直接用opener打開(kāi)網(wǎng)頁(yè)，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 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(xiě)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(xiě)twisted的程序整個(gè)人都扭曲了，累得不得了，文檔等于沒(méi)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(xiě)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。
這篇講怎么用twisted來(lái)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(jiǎn)單的多線程抓取類
還是覺(jué)得在urllib之類python“本土”的東東里面折騰起來(lái)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(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 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(huì)新建一個(gè)http請(qǐng)求。通常情況下這不是什么問(wèn)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(lái)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(lái)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(xiě)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(lái)說(shuō)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(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)
5、登陸
登陸更加簡(jiǎn)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(huì)自動(dòng)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(lái)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(dòng)重試，設(shè)置棧大小，自動(dòng)登錄等功能；代碼簡(jiǎn)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(shuō)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(dòng)選擇?？雌饋?lái)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(cè)速等諸多環(huán)節(jié)，這就是另一個(gè)故事了。
參考
- http://obmem.info/?p=476
- http://obmem.info/?p=753
本文題目：用python爬蟲(chóng)抓站的一些技巧總結(jié)
網(wǎng)頁(yè)URL：http://www.dlmjj.cn/article/dhgsiic.html
