中文字幕伊人,久久国产精品亚洲,av片在线观看网站

什么是爬蟲

爬蟲，即網絡爬蟲，大家可以理解為在網絡上爬行的一直蜘蛛，互聯網就比作一張大網，而爬蟲便是在這張網上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會抓取下來。想抓取什么？這個由你來控制它咯。

比如它在抓取一個網頁，在這個網中他發現了一條道路，其實就是指向網頁的超鏈接，那么它就可以爬到另一張網上來獲取數據。這樣，整個連在一起的大網對這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。

1.最基本的抓站

				?

									import urllib2

									content = urllib2.urlopen('http://XXXX').read()

2.使用代理服務器

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()

是的沒錯，如果想同時用代理和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容
比如我一般用firefox+httpfox插件來看看自己到底發送了些什么包
這個我就舉個例子好了，以verycd為例，先找到自己發的POST請求，以及POST表單項：

可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說得先訪問一次網頁，用正則表達式等工具截取返回數據中的fk項。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，有了要填寫的數據，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請求，再發送請求：

				?

									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

某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求

這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現

				?

									#…

									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”

某些站點有所謂的反盜鏈設置，其實說穿了很簡單，就是檢查你發送請求的header里面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網站即可，以黑幕著稱地cnbeta為例：

				?

									#...

									headers = {

									'Referer':'http://www.cnbeta.com/articles'

									}

									#...

headers是一個dict數據結構，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欺負他，呵呵。

3.5 終極絕招

有時候即使做了3.1-3.4，訪問還是會被據，那么沒辦法，老老實實把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.多線程并發抓取

				?

									print time.time()-start

									1..

									from threading import Thread

									from Queue import Queue

									from time import sleep

									import urllib2

									import time

									q = Queue()

									NUM = 10

									JOBS = 50

									def do_somthing_using(p):

									response = urllib2.urlopen('http://www.cnblogs.com')

									result = response.read()

									#print p

									def working():

									while True:

									arguments = q.get()

									do_somthing_using(arguments)

									q.task_done()

									for i in xrange(NUM):

									t = Thread(target=working)

									t.setDaemon(True)

									t.start()

									start = time.time()

									for i in xrange(JOBS):

									q.put(i)

									q.join()

									print "MultiThreading:"

									print time.time()-start

									2..

									from threading import Thread

									from multiprocessing.dummy import Pool as ThreadPool

									import urllib2

									import time

									start = time.time()

									url = "http://www.cnblogs.com"

									urls = [url] * 50

									pool = ThreadPool(4)

									results = pool.map(urllib2.urlopen, urls)

									pool.close()

									pool.join()

									print "Map:"

									print time.time()-start