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：寫過(guò)抓代理本機(jī)驗(yàn)證的腳本，寫過(guò)在discuz論壇中自動(dòng)登錄自動(dòng)發(fā)貼的腳本，寫過(guò)自動(dòng)收郵件的腳本，寫過(guò)簡(jiǎn)單的驗(yàn)證碼識(shí)別的腳本，本來(lái)想寫google music的抓取腳本的，結(jié)果有了強(qiáng)大的gmbox，也就不用寫了。
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
|
1
2
|
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(wèn)的次數(shù)受到限制等等。
|
1
2
3
4
5
|
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(wèn)題拆分一下：
3.1 cookie的處理
|
1
2
3
4
5
|
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(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
|
1
|
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，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
|
1
2
3
4
5
6
7
8
|
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：
|
1
2
3
4
5
|
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)：
|
1
2
3
4
5
6
7
8
|
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：
|
1
2
3
|
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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
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：
- 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
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，
|
1
2
3
4
|
encoding_support = ContentEncodingProcessoropener = 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
from twisted.web.client import getPagefrom twisted.internet import reactorlinks = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]def parse_page(data,url): print len(data),urldef 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(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
|
1
2
3
4
5
6
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
|
import urllib2from threading import Thread,Lockfrom Queue import Queueimport timeclass 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 spamif __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
|
1
2
|
from threading import stack_sizestack_size(32768*16) |
3、設(shè)置失敗后自動(dòng)重試
|
1
2
3
4
5
6
7
8
9
10
11
12
|
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)
|
1
2
|
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：
|
1
2
3
4
5
6
7
8
9
|
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。看起來(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。
