这是一篇不应该写的文章,都写了,针对特定“方式”的爬虫也就没法爬了。
1、模拟登录的一些文章:
解析新浪微博的登录过程(2013-12-23): http://www.cnblogs.com/houkai/p/3487816.html
Python模拟登陆新浪微博(2013-12-24): http://www.cnblogs.com/houkai/p/3488468.html
2014_新浪微博模拟登陆_python(2014-08-08): http://blog.csdn.net/springzfx/article/details/38435069
Wap的weibo.cn模拟登录@2012年11月8日: http://qinxuye.me/article/simulate-weibo-login-in-python/
wap端模拟登陆withPython@2015-04-15: http://www.cnblogs.com/manqing/p/4428418.html
2、Chrome下登录请求的所有信息,其中像random字段必须通过先get一次登录页来得到,通过分析chrome开发工具下的这些信息基本就Ok,再就是可以复制curl指令看看也很方便:
--------------- General Info: Remote Address:180.149.153.4:80 Request URL:http://login.weibo.cn/login/?rand=1623920428&backURL=http%3A%2F%2Fweibo.cn&backTitle=%E6%89%8B%E6%9C%BA%E6%96%B0%E6%B5%AA%E7%BD%91&vt=4 Request Method:POST Status Code:302 Found
---------------------- Response Headers view source Connection:close Content-Encoding:gzip Content-Length:20 Content-Type:text/html Date:Thu, 05 Nov 2015 08:11:34 GMT Location:http://newlogin.sina.cn/crossDomain/?g=4ugB9b801ltp<span style="font-family: Arial, Helvetica, sans-serif;">*************</span>Q&t=1446711094&m=05b4&r=&u=http%3A%2F%2Fweibo.cn%3Fgsid%3D4ugB9b801ltp<span style="font-family: Arial, Helvetica, sans-serif;">*************</span>Q%26PHPSESSID%3D%****%3D4&cross=1&st=ST-NTc0MDUwMTQ4Ng==-1446711094-tc-F903CC8EC38C7F499D7D227DA862A39E,ST-NTc0MDUwMTQ4Ng==-1446711094-tc-F4B911C868B51E768875EB15BBAE6E83&vt=4 Server:Apache Set-Cookie:SUB=_2A257P39mDeTxGeNJ71IU8C_IwzqIHXVYwAEurDV6PUJbrdAKLVjSkW03kbkKkoC7qLmx-EiB5I-Diw91GQ..; expires=Sat, 05-Dec-2015 08:11:34 GMT; path=/; domain=.weibo.cn; httponly Set-Cookie:gsid_CTandWM=4ugB9b801ltp*************Q; expires=Sat, 05-Dec-2015 08:11:34 GMT; path=/; domain=.weibo.cn; httponly SINA-LB:aGEuMTY1LmcxLnlmLmxiLnNpbmFub2RlLmNvbQ== SINA-TS:MzU2ZWMzNjggMCAwIDAgNSA5Mwo= Vary:Accept-Encoding x-debug:172.16.140.196 X-Log-Uid:5740501486
------------------ Request Headers view source Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8 Accept-Encoding:gzip, deflate Accept-Language:zh-CN,zh;q=0.8 Cache-Control:max-age=0 Connection:keep-alive Content-Length:208 Cookie:_T_WM=086561716ab68ff3c6e589cc5152ed66 DNT:1 Host:login.weibo.cn Origin:http://login.weibo.cn Referer:http://login.weibo.cn/login/ Upgrade-Insecure-Requests:1 User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36
------------------- Query String Parameters view source view URL encoded rand:1623920428 backURL:http://weibo.cn backTitle:手机新浪网 vt:4
------------------- Form Data view source view URL encoded mobile:[email protected] password_4509:user_password remember:on backURL:http%3A%2F%2Fweibo.cn backTitle:手机新浪网 tryCount: vk:4509_290b_1897615582 submit:登录
3、上一个在pyspider上能走通weibo.cn爬取示例代码,这个代码的缺憾就是如果频繁登陆可能会出验证码,目前还没加验证码识别特性。
#!/usr/bin/env python # -*- encoding: utf-8 -*- # Created on 2015-11-05 11:41:06 # Project: sinaweibo # SinaUser:[email protected] from pyspider.libs.base_handler import * class Handler(BaseHandler): crawl_config = { 'headers': { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_1) AppleWebKit/537.36 (KHTML, like Gecko)', } } @every(minutes=24 * 60) def on_start(self): self.crawl('http://login.weibo.cn/login/', callback=self.login) @config(age=1 * 24 * 60 * 60) def login(self, response): cookies = response.cookies base_url = 'http://login.weibo.cn/login/' url = base_url + response.doc("form").attr("action") data = {} for each in response.doc("form input"): data[each.name]=each.value if each.name == "mobile": data["mobile"] = "[email protected]" if each.type == "password": data[each.name] = "password" headers = {} headers["Content-Type"]="application/x-www-form-urlencoded" headers["Referer"]="http://login.weibo.cn/login/" headers["Origin"]="http://login.weibo.cn" headers["Referer"]="http://login.weibo.cn/login/" self.crawl(url, callback=self.login_ok,data=data,cookies=cookies,headers=headers,method="POST") @config(priority=2) def login_ok(self, response): ''' return { "url": response.url, "headers": response.headers, "cookies": response.cookies, "status":response.status_code, "text":response.text, } ''' self.crawl("http://weibo.cn/yumayin", cookies=response.cookies,callback=self.index_page) def index_page(self, response): weibos = [] for each in response.doc("div.c").items(): #each.find("span.kt"): if each.find("span.kt").html()!= None: continue #if each.find("span.ctt")!= None: if each.find("span.ctt").html()!= None: weibos.append(each.find("span.ctt").html()) return weibos
4、phantomjs启动的一个问题,官方的文档好像有点问题,真正的启动命令是启动phantomjs proxy选项:
pyspider --phantomjs-proxy="localhost:25555" -c config.json
这个解决方法是参考:http://blog.csdn.net/jxnu_xiaobing/article/details/44983757
还有可以把运行组件改成all,也可以全部启动:
pyspider -c config.json all
5、启用phantomjs以后,JS抓取返回HTML是乱码的问题,官方给出的回答:Phantomjs doesn't support gzip, don't set Accept-Encoding header with gzip.
6、重复任务的判定问题,get某登录地址,然后post该登录地址登录,第二步操作可能失败,pyspider判定重复任务完全看URL地址,部署以后,第二个请求会因为age设定问题,直接被拒。
7、DB数据库选择的问题,谈这个问题,首先说说存储方式,projectdb和taskdb,一般我们用户不用访问,就不用说了,resultdb里面,除了我们解析返回的result数据,同时存储的还有id、updatetime、url,而我们返回的result数据会被json序列化为二进制字符串,这种字符串只包含字母之类键盘有的字符串,所以你不论用mongodb还是RDB,存储其实都是一层数据,不过在resultdb里面,如果我们做挂钩存储的话,Mongodb会方便一点,起码不用改数据定义模式。做这类对pyspider的hacking开发,可以到pyspider的目录里面直接修改代码。
8、官网docs上没有redis带密码连接字符串,先后在github issues和django-redis文档上找到这个设置格式,后者的更全面一点:
redis://[:password]@localhost:6379/0 rediss://[:password]@localhost:6379/0 unix://[:password]@/path/to/socket.sock?db=0
不过要使用这个带password的连接字符串,pyspider版本得升级到最新版本。
9、每个爬虫的入口函数一定要用@every来装饰,千万不要写成别的周期控制装饰器,否则你的这个爬虫项目永远不会被调度器启动。