用Python爬虫抓站的一些技巧总结

发表于:2018-1-10 10:08  作者:佚名   来源:Python开发者

字体: | 上一篇 | 下一篇 |我要投稿 | 推荐标签: 软件开发 Python

  学用python也有3个多月了,用得最多的还是各类爬虫脚本:写过抓代理本机验证的脚本,写过在discuz论坛中自动登录自动发贴的脚本,写过自动收邮件的脚本,写过简单的验证码识别的脚本,本来想写google music的抓取脚本的,结果有了强大的gmbox,也就不用写了。
  这些脚本有一个共性,都是和web相关的,总要用到获取链接的一些方法,再加上simplecd这个半爬虫半网站的项目,累积不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。
  1.最基本的抓站
  import urllib2
  content = urllib2.urlopen('http://XXXX').read()
  2.使用代理服务器
  这在某些情况下比较有用,比如IP被封了,或者比如IP访问的次数受到限制等等。
  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.需要登录的情况
  登录的情况比较麻烦我把问题拆分一下:
  3.1 cookie的处理
  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()
  是的没错,如果想同时用代理和cookie,那就加入proxy_support然后operner改为
  opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
  3.2 表单的处理
  登录必要填表,表单怎么填?首先利用工具截取所要填表的内容。
  比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包
  这个我就举个例子好了,以verycd为例,先找到自己发的POST请求,以及POST表单项:
  可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项,其中fk是随机生成的(其实不太随机,看上去像是把epoch时间经过简单的编码生成的),需要从网页获取,也就是说得先访问一次网页,用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写,login_submit是固定的,这从源码可以看出。还有username,password那就很显然了。
  好的,有了要填写的数据,我们就要生成postdata
import urllib
postdata=urllib.urlencode({
'username':'XXXXX',
'password':'XXXXX',
'continueURI':'http://www.verycd.com/',
'fk':fk,
'login_submit':'登录'
})
  然后生成http请求,再发送请求:
  req = urllib2.Request(
  url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
  data = postdata
  )
  result = urllib2.urlopen(req).read()
  3.3 伪装成浏览器访问
  某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器,这可以通过修改http包中的header来实现:
  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”反盗链”
  某些站点有所谓的反盗链设置,其实说穿了很简单,就是检查你发送请求的header里面,referer站点是不是他自己,所以我们只需要像3.3一样,把headers的referer改成该网站即可,以黑幕著称地cnbeta为例:
  headers = {
  'Referer':'http://www.cnbeta.com/articles'
  }
  headers是一个dict数据结构,你可以放入任何想要的header,来做一些伪装。例如,有些自作聪明的网站总喜欢窥人隐私,别人通过代理访问,他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP,没话说,那就直接把X-Forwarde-For改了吧,可以改成随便什么好玩的东东来欺负欺负他,呵呵。
  3.5 终极绝招
  有时候即使做了3.1-3.4,访问还是会被据,那么没办法,老老实实把httpfox中看到的headers全都写上,那一般也就行了。 再不行,那就只能用终极绝招了,selenium直接控制浏览器来进行访问,只要浏览器可以做到的,那么它也可以做到。类似的还有pamie,watir,等等等等。
  4.多线程并发抓取
  单线程太慢的话,就需要多线程了,这里给个简单的线程池模板 这个程序只是简单地打印了1-10,但是可以看出是并发地。
  from threading import Thread
  from Queue import Queue
  from time import sleep
  #q是任务队列
  #NUM是并发线程总数
  #JOBS是有多少任务
  q = Queue()
  NUM = 2
  JOBS = 10
  #具体的处理函数,负责处理单个任务
  def do_somthing_using(arguments):
  print arguments
  #这个是工作进程,负责不断从队列取数据并处理
  def working():
  while True:
  arguments = q.get()
  do_somthing_using(arguments)
  sleep(1)
  q.task_done()
  #fork NUM个线程等待队列
  for i in range(NUM):
  t = Thread(target=working)
  t.setDaemon(True)
  t.start()
  #把JOBS排入队列
  for i in range(JOBS):
  q.put(i)
  #等待所有JOBS完成
  q.join()
  5.验证码的处理
  碰到验证码咋办?这里分两种情况处理:
  google那种验证码,凉拌
  简单的验证码:字符个数有限,只使用了简单的平移或旋转加噪音而没有扭曲的,这种还是有可能可以处理的,一般思路是旋转的转回来,噪音去掉,然后划分单个字符,划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库,然后把验证码和特征库进行比较。这个比较复杂,一篇博文是说不完的,这里就不展开了,具体做法请弄本相关教科书好好研究一下。
  事实上有些验证码还是很弱的,这里就不点名了,反正我通过2的方法提取过准确度非常高的验证码,所以2事实上是可行的。
  6 gzip/deflate支持
  现在的网页普遍支持gzip压缩,这往往可以解决大量传输时间,以VeryCD的主页为例,未压缩版本247K,压缩了以后45K,为原来的1/5。这就意味着抓取速度会快5倍。
  然而python的urllib/urllib2默认都不支持压缩,要返回压缩格式,必须在request的header里面写明’accept-encoding’,然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码,很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢?
  其实可以继承BaseHanlder类,然后build_opener的方式来处理:
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)
  然后就简单了,
  encoding_support = ContentEncodingProcessor
  opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
  #直接用opener打开网页,如果服务器支持gzip/defalte则自动解压缩
  content = opener.open(url).read()

上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。

Python+Selenium大型电商项目(京东商城)实战直播,优惠名额抢占中>>
21/212>

评 论

论坛新帖

顶部 底部


建议使用IE 6.0以上浏览器,800×600以上分辨率,法律顾问:上海瀛东律师事务所 张楠律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2018, 沪ICP备05003035号
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪公网安备 31010102002173号

51Testing官方微信

51Testing官方微博

扫一扫 测试知识全知道