Python爬虫：一些常用的爬虫技巧总结(IP,cookie,header,多线程)
http://python.jobbole.com/84622/
用python也差不多一年多了，python应用最多的场景还是web快速开发、爬虫、自动化运维：写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。
1、基本抓取网页
get方法
|
1
2
3
4
|
import
urllib2
url
"http://www.baidu.com"
respons
=
urllib2
.
urlopen
(
url
)
print
response
.
read
(
)
|
post方法
|
1
2
3
4
5
6
7
8
9
|
import
urllib
import
urllib2
url
=
"http://abcde.com"
form
=
{
'name'
:
'abc'
,
'password'
:
'1234'
}
form
_data
=
urllib
.
urlencode
(
form
)
request
=
urllib2
.
Request
(
url
,
form_data
)
response
=
urllib2
.
urlopen
(
request
)
print
response
.
read
(
)
|
2、使用代理IP
在开发爬虫过程中经常会遇到IP被封掉的情况，这时就需要用到代理IP；
在urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下代码片段：
|
1
2
3
4
5
6
7
|
import
urllib2
proxy
=
urllib2
.
ProxyHandler
(
{
'http'
:
'127.0.0.1:8087'
}
)
opener
=
urllib2
.
build_opener
(
proxy
)
urllib2
.
install_opener
(
opener
)
response
=
urllib2
.
urlopen
(
'http://www.baidu.com'
)
print
response
.
read
(
)
|
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)，python提供了cookielib模块用于处理cookies，cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源.
代码片段：
|
1
2
3
4
5
6
|
import
urllib2
,
cookielib
cookie_support
=
urllib2
.
HTTPCookieProcessor
(
cookielib
.
CookieJar
(
)
)
opener
=
urllib2
.
build_opener
(
cookie_support
)
urllib2
.
install_opener
(
opener
)
content
=
urllib2
.
urlopen
(
'http://XXXX'
)
.
read
(
)
|
关键在于CookieJar()，它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失，所有过程都不需要单独去操作。
手动添加cookie
|
1
2
|
cookie
=
"PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request
.
add_header
(
"Cookie"
,
cookie
)
|
4、伪装成浏览器
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况
对有些 header 要特别留意，Server 端会针对这些 header 做检查
1.User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request
2.Content-Type 在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现，代码片段如下：
|
1
2
3
4
5
6
7
8
9
10
|
import
urllib2
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'
}
request
=
urllib2
.
Request
(
url
=
'http://my.oschina.net/jhao104/blog?catalog=3463517'
,
headers
=
headers
)
print
urllib2
.
urlopen
(
request
)
.
read
(
)
|
5、页面解析
对于页面解析最强大的当然是正则表达式，这个对于不同网站不同的使用者都不一样，就不用过多的说明，附两个比较好的网址：
正则表达式入门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试：http://tool.oschina.net/regex/
其次就是解析库了，常用的有两个lxml和BeautifulSoup，对于这两个的使用介绍两个比较好的网站：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
对于这两个库，我的评价是，都是HTML/XML的处理库，Beautifulsoup纯python实现，效率低，但是功能实用，比如能用通过结果搜索获得某个HTML节点的源码；lxmlC语言编码，高效，支持Xpath
6、验证码的处理
对于一些简单的验证码，可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码，比如12306，可以通过打码平台进行人工打码，当然这是要付费的。
7、gzip压缩
有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那说明你还不知道许多web服务具有发送压缩数据的能力，这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务，因为 XML 数据 的压缩率可以很高。
但是一般服务器不会为你发送压缩数据，除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码：
|
1
2
3
4
5
|
import
urllib2
,
httplib
request
=
urllib2
.
Request
(
'http://xxxx.com'
)
request
.
add_header
(
'Accept-encoding'
,
'gzip'
)
1
opener
=
urllib2
.
build_opener
(
)
f
=
opener
.
open
(
request
)
|
这是关键:创建Request对象，添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据
然后就是解压缩数据：
|
1
2
3
4
5
6
7
|
import
StringIO
import
gzip
compresseddata
=
f
.
read
(
)
compressedstream
=
StringIO
.
StringIO
(
compresseddata
)
gzipper
=
gzip
.
GzipFile
(
fileobj
=
compressedstream
)
print
gzipper
.
read
(
)
|
8、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的。
虽然说python的多线程很鸡肋，但是对于爬虫这种网络频繁型，还是能一定程度提高效率的。
|
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
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
(
)
|