总结python爬虫抓站的实用技巧

前言

写过的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，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：

 1、google那种验证码，凉拌

 2、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()

7. 更方便地多线程

总结一文的确提及了一个简单的多线程模板，但是那个东东真正应用到程序里面去只会让程序变得支离破碎，不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢？

1、用twisted进行异步I/O抓取

事实上更高效的抓取并非一定要用多线程，也可以使用异步I/O法：直接用twisted的getPage方法，然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干：

    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

    # 批量抓取链接
    for url in links:
     getPage(url,timeout=5) \
      .addCallback(parse_page,url) \ #成功则调用parse_page方法
      .addErrback(fetch_error,url)  #失败则调用fetch_error方法

    reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
    reactor.run()

twisted人如其名，写的代码实在是太扭曲了，非正常人所能接受，虽然这个简单的例子看上去还好；每次写twisted的程序整个人都扭曲了，累得不得了，文档等于没有，必须得看源码才知道怎么整，唉不提了。

如果要支持gzip/deflate，甚至做一些登陆的扩展，就得为twisted写个新的 HTTPClientFactory 类诸如此类，我这眉头真是大皱，遂放弃。有毅力者请自行尝试。

2、设计一个简单的多线程抓取类

还是觉得在urllib之类python"本土"的东东里面折腾起来更舒服。试想一下，如果有个Fetcher类，你可以这么调用

    f = Fetcher(threads=10) #设定下载线程数为10
    for url in urls:
     f.push(url) #把所有url推入下载队列
    while f.taskleft(): #若还有未完成下载的线程
     content = f.pop() #从下载完成队列中取出结果
     do_with(content) # 处理content内容

这么个多线程调用简单明了，那么就这么设计吧，首先要有两个队列，用Queue搞定，多线程的基本架构也和"技巧总结"一文类似，push方法和pop方法都比较好处理，都是直接用Queue的方法，taskleft则是如果有"正在运行的任务"或者"队列中的任务"则为是，也好办，于是代码如下：

    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() #线程锁
      self.q_req = Queue() #任务队列
      self.q_ans = Queue() #完成队列
      self.threads = threads
      for i in range(threads):
       t = Thread(target=self.threadget)
       t.setDaemon(True)
       t.start()
      self.running = 0

     def __del__(self): #解构时需等待两个队列完成
      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: #要保证该操作的原子性，进入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. 一些琐碎的经验

1、连接池：

opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒钟可以是几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁你的。

然而在正常的html请求时，保持同时和服务器几十个连接又是很正常的一件事，所以完全可以手动维护一个 HttpConnection 的池，然后每次抓取时从连接池里面选连接进行连接即可。

这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动为你维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必装的东东，何必再自找麻烦写连接池呢。

2、设定线程的栈大小

栈大小的设定将非常显著地影响python的内存占用，python多线程不设置这个值会导致程序占用大量内存，这对openvz的vps来说非常致命。stack_size必须大于32768，实际上应该总要32768*2以上

    from threading import stack_size
    stack_size(32768*16)

3、设置失败后自动重试

     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、设置超时

     import socket
     socket.setdefaulttimeout(10) #设置10秒后连接超时

登陆更加简化了，首先build_opener中要加入cookie支持，如要登陆 VeryCD ，给Fetcher新增一个空方法login，并在 init ()中调用，然后继承Fetcher类并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'登录'.encode('utf-8'),
           'save_cookie':1,})
     url = 'http://www.verycd.com/signin'
     self.opener.open(url,data).read()

于是在Fetcher初始化时便会自动登录 VeryCD 网站。

9. 总结

如此，以上就是总结python爬虫抓站的实用技巧的全部内容了，本文内容代码简单，使用方便，性能也不俗，相信对各位使用python有很大的帮助。