Python爬蟲：一些常用的爬蟲技巧總結(IP,cookie,header,多執行緒)
http://python.jobbole.com/84622/
用python也差不多一年多了，python應用最多的場景還是web快速開發、爬蟲、自動化運維：寫過簡單網站、寫過自動發帖指令碼、寫過收發郵件指令碼、寫過簡單驗證碼識別指令碼。
爬蟲在開發過程中也有很多複用的過程，這裡總結一下，以後也能省些事情。
1、基本抓取網頁
get方法
Python| 1 2 3 4 |
importurllib2 |
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
在開發爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到代理IP；
在urllib2包中有ProxyHandler類，通過此類可以設定代理訪問網頁，如下程式碼片段：
| 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處理
cookies是某些網站為了辨別使用者身份、進行session跟蹤而儲存在使用者本地終端上的資料(通常經過加密)，python提供了cookielib模組用於處理cookies，cookielib模組的主要作用是提供可儲存cookie的物件，以便於與urllib2模組配合使用來訪問Internet資源.
程式碼片段：
| 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() |
關鍵在於CookieJar()，它用於管理HTTP cookie值、儲存HTTP請求生成的cookie、向傳出的HTTP請求新增cookie的物件。整個cookie都儲存在記憶體中，對CookieJar例項進行垃圾回收後cookie也將丟失，所有過程都不需要單獨去操作。
手動新增cookie
| 1 2 | cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg=" request.add_header("Cookie", cookie) |
4、偽裝成瀏覽器
某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求。所以用urllib2直接訪問網站經常會出現HTTP Error 403: Forbidden的情況
對有些 header 要特別留意，Server 端會針對這些 header 做檢查
1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發起的 Request
2.Content-Type 在使用 REST 介面時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。
這時可以通過修改http包中的header來實現，程式碼片段如下：
| 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、頁面解析
對於頁面解析最強大的當然是正則表示式，這個對於不同網站不同的使用者都不一樣，就不用過多的說明，附兩個比較好的網址：
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對於這兩個的使用介紹兩個比較好的網站：
對於這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，但是功能實用，比如能用通過結果搜尋獲得某個HTML節點的原始碼；lxmlC語言編碼，高效，支援Xpath
6、驗證碼的處理
對於一些簡單的驗證碼，可以進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。但是有些反人類的驗證碼，比如12306，可以通過打碼平臺進行人工打碼，當然這是要付費的。
7、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服務具有傳送壓縮資料的能力，這可以將網路線路上傳輸的大量資料消減 60% 以上。這尤其適用於 XML web 服務，因為 XML 資料 的壓縮率可以很高。
但是一般伺服器不會為你傳送壓縮資料，除非你告訴伺服器你可以處理壓縮資料。
於是需要這樣修改程式碼：
| 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) |
這是關鍵:建立Request物件，新增一個 Accept-encoding 頭資訊告訴伺服器你能接受 gzip 壓縮資料
然後就是解壓縮資料：
| 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、多執行緒併發抓取
單執行緒太慢的話，就需要多執行緒了，這裡給個簡單的執行緒池模板 這個程式只是簡單地列印了1-10，但是可以看出是併發的。
雖然說python的多執行緒很雞肋，但是對於爬蟲這種網路頻繁型，還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是任務佇列 #NUM是併發執行緒總數 #JOBS是有多少任務 q = Queue() NUM = 2 JOBS = 10 #具體的處理函式，負責處理單個任務 def do_somthing_using(arguments): print arguments #這個是工作程序，負責不斷從佇列取資料並處理 def working(): while True: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done() #fork NUM個執行緒等待佇列 for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start() #把JOBS排入佇列 for i in range(JOBS): q.put(i) #等待所有JOBS完成 q.join() |