爬蟲

基本抓取網頁

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()

使用代理IP

在開發爬蟲過程當中常常會遇到IP被封掉的狀況，這時就須要用到代理IP；

在urllib2包中有ProxyHandler類，經過此類能夠設置代理訪問網頁，以下代碼片斷：

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()

 

Cookies處理

cookies是某些網站爲了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(一般通過加密)，python提供了cookielib模塊用於處理cookies，cookielib模塊的主要做用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源.
代碼片斷：

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()

 

關鍵在於CookieJar()，它用於管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內存中，對CookieJar實例進行垃圾回收後cookie也將丟失，全部過程都不須要單獨去操做。

手動添加cookie

1 2 3

cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg=" request.add_header("Cookie", cookie)

假裝成瀏覽器

某些網站反感爬蟲的到訪，因而對爬蟲一概拒絕請求。因此用urllib2直接訪問網站常常會出現HTTP Error 403: Forbidden的狀況。
對有些 header 要特別留意，Server 端會針對這些 header 作檢查：

• User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是不是瀏覽器發起的 Request
• Content-Type 在使用 REST 接口時，Server 會檢查該值，用來肯定 HTTP Body 中的內容該怎樣解析

這時能夠經過修改http包中的header來實現，代碼片斷以下：

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()

 

頁面解析

對於頁面解析最強大的固然是正則表達式，這個對於不一樣網站不一樣的使用者都不同，就不用過多的說明，附兩個比較好的網址：

• 正則表達式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
• 正則表達式在線測試：http://tool.oschina.net/regex/

其次就是解析庫了，經常使用的有兩個lxml和BeautifulSoup，對於這兩個的使用介紹兩個比較好的網站：

• lxml：http://my.oschina.net/jhao104/blog/639448
• BeautifulSoup：http://cuiqingcai.com/1319.html

這兩個庫，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，可是功能實用，好比能用經過結果搜索得到某個HTML節點的源碼；lxmlC語言編碼，高效，支持Xpath。

驗證碼的處理

對於一些簡單的驗證碼，能夠進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。可是有些反人類的驗證碼，好比12306，能夠經過打碼平臺進行人工打碼，固然這是要付費的。

gzip壓縮

有沒有遇到過某些網頁，不論怎麼轉碼都是一團亂碼。哈哈，那說明你還不知道許多web服務具備發送壓縮數據的能力，這能夠將網絡線路上傳輸的大量數據消減 60% 以上。這尤爲適用於 XML web 服務，由於 XML 數據 的壓縮率能夠很高。
可是通常服務器不會爲你發送壓縮數據，除非你告訴服務器你能夠處理壓縮數據。
因而須要這樣修改代碼：

1 2 3 4 5 6

import urllib2, httplib request = urllib2.Request('http://xxxx.com') request.add_header('Accept-encoding', 'gzip') opener = urllib2.build_opener() f = opener.open(request)

 

這是關鍵:建立Request對象，添加一個 Accept-encoding 頭信息告訴服務器你能接受 gzip 壓縮數據。
而後就是解壓縮數據：

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()

 

多線程併發抓取

單線程太慢的話，就須要多線程了，這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10，可是能夠看出是併發的。
雖說python的多線程很雞肋，可是對於爬蟲這種網絡頻繁型，仍是能必定程度提升效率的。

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是任務隊列 #NUM是併發線程總數 #JOBS是有多少任務 q = Queue() NUM = 2 JOBS = 10 #具體的處理函數，負責處理單個任務 def do_somthing_using(arguments): print arguments #這個是工做進程，負責不斷從隊列取數據並處理 def working(): while True: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done() #fork NUM個線程等待隊列 for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start() #把JOBS排入隊列 for i in range(JOBS): q.put(i) #等待全部JOBS完成 q.join()

 

轉載自：http://my.oschina.net/jhao104/blog/647308?fromerr=KzH2VGaK