來源網站：http://www.pythonclub.org/python-network-application/observer-spider

學用python也有3個多月了，用得最多的還是各類爬蟲腳本：寫過抓代理本機驗證的腳本，寫過在discuz論壇中自動登錄自動發貼的腳本，寫過自動收郵件的腳本，寫過簡單的驗證碼識別的腳本，本來想寫google music的抓取腳本的，結果有了強大的gmbox，也就不用寫了。

這些腳本有一個共性，都是和web相關的，總要用到獲取鏈接的一些方法，再加上simplecd這個半爬蟲半網站的項目，累積不少爬蟲抓站的經驗，在此總結一下，那麽以後做東西也就不用重復勞動了。

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然後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，表單怎麽填？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麽包

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‘
})

然後生成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，於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裏面，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，可以改成隨便什麽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，那麽沒辦法，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，那麽它也可以做到。類似的還有pamie，watir，等等等等。

4.多線程並發抓取

單線程太慢的話，就需要多線程了，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，但是可以看出是並發地。

from threading import Thread
from Queue import Queue
from time import sleep
#q是任務隊列
#NUM是並發線程總數
#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
#這個是工作進程，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)
#等待所有JOBS完成
q.join()

5.驗證碼的處理

碰到驗證碼咋辦？這裏分兩種情況處理：

• google那種驗證碼，涼拌
• 簡單的驗證碼：字符個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，然後劃分單個字符，劃分好了以後再通過特征提取的方法(例如PCA)降維並生成特征庫，然後把驗證碼和特征庫進行比較。這個比較復雜，一篇博文是說不完的，這裏就不展開了，具體做法請弄本相關教科書好好研究一下。
• 事實上有些驗證碼還是很弱的，這裏就不點名了，反正我通過2的方法提取過準確度非常高的驗證碼，所以2事實上是可行的。

6 gzip/deflate支持

現在的網頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，以VeryCD的主頁為例，未壓縮版本247K，壓縮了以後45K，為原來的1/5。這就意味著抓取速度會快5倍。

然而python的urllib/urllib2默認都不支持壓縮，要返回壓縮格式，必須在request的header裏面寫明’accept-encoding’，然後讀取response後更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支持gzip, defalte呢？

其實可以繼承BaseHanlder類，然後build_opener的方式來處理：

import urllib2
from gzip import GzipFile
from StringIO import StringIO
class ContentEncodingProcessor(urllib2.BaseHandler):
  """A handler to add gzip capabilities to urllib2 requests """
 
  # add headers to requests
  def http_request(self, req):
    req.add_header("Accept-Encoding", "gzip, deflate")
    return req
 
  # decode
  def http_response(self, req, resp):
    old_resp = resp
    # gzip
    if resp.headers.get("content-encoding") == "gzip":
        gz = GzipFile(
                    fileobj=StringIO(resp.read()),
                    mode="r"
                  )
        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
        resp.msg = old_resp.msg
    # deflate
    if resp.headers.get("content-encoding") == "deflate":
        gz = StringIO( deflate(resp.read()) )
        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)  # ‘class to add info() and
        resp.msg = old_resp.msg
    return resp
 
# deflate support
import zlib
def deflate(data):   # zlib only provides the zlib compress format, not the deflate format;
  try:               # so on top of all there‘s this workaround:
    return zlib.decompress(data, -zlib.MAX_WBITS)
  except zlib.error:
    return zlib.decompress(data)

然後就簡單了，

encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
 
#直接用opener打開網頁，如果服務器支持gzip/defalte則自動解壓縮
content = opener.open(url).read()

7. 更方便地多線程

總結一文的確提及了一個簡單的多線程模板，但是那個東東真正應用到程序裏面去只會讓程序變得支離破碎，不堪入目。在怎麽更方便地進行多線程方面我也動了一番腦筋。先想想怎麽進行多線程調用最方便呢？

1、用twisted進行異步I/O抓取

事實上更高效的抓取並非一定要用多線程，也可以使用異步I/O法：直接用twisted的getPage方法，然後分別加上異步I/O結束時的callback和errback方法即可。例如可以這麽幹：

from twisted.web.client import getPage
from twisted.internet import reactor
 
links = [ ‘http://www.verycd.com/topics/%d/‘%i for i in range(5420,5430) ]
 
def parse_page(data,url):
    print len(data),url
 
def fetch_error(error,url):
    print error.getErrorMessage(),url
 
# 批量抓取鏈接
for url in links:
    getPage(url,timeout=5)         .addCallback(parse_page,url) \ #成功則調用parse_page方法
        .addErrback(fetch_error,url)     #失敗則調用fetch_error方法
 
reactor.callLater(5, reactor.stop) #5秒鐘後通知reactor結束程序
reactor.run()

twisted人如其名，寫的代碼實在是太扭曲了，非正常人所能接受，雖然這個簡單的例子看上去還好；每次寫twisted的程序整個人都扭曲了，累得不得了，文檔等於沒有，必須得看源碼才知道怎麽整，唉不提了。

如果要支持gzip/deflate，甚至做一些登陸的擴展，就得為twisted寫個新的HTTPClientFactory類諸如此類，我這眉頭真是大皺，遂放棄。有毅力者請自行嘗試。

這篇講怎麽用twisted來進行批量網址處理的文章不錯，由淺入深，深入淺出，可以一看。

2、設計一個簡單的多線程抓取類

還是覺得在urllib之類python“本土”的東東裏面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這麽調用

f = Fetcher(threads=10) #設定下載線程數為10
for url in urls:
    f.push(url)  #把所有url推入下載隊列
while f.taskleft(): #若還有未完成下載的線程
    content = f.pop()  #從下載完成隊列中取出結果
    do_with(content) # 處理content內容

這麽個多線程調用簡單明了，那麽就這麽設計吧，首先要有兩個隊列，用Queue搞定，多線程的基本架構也和“技巧總結”一文類似，push方法和pop方法都比較好處理，都是直接用Queue的方法，taskleft則是如果有“正在運行的任務”或者”隊列中的任務”則為是，也好辦，於是代碼如下：

import urllib2
from threading import Thread,Lock
from Queue import Queue
import time
 
class Fetcher:
    def __init__(self,threads):
        self.opener = urllib2.build_opener(urllib2.HTTPHandler)
        self.lock = Lock() #線程鎖
        self.q_req = Queue() #任務隊列
        self.q_ans = Queue() #完成隊列
        self.threads = threads
        for i in range(threads):
            t = Thread(target=self.threadget)
            t.setDaemon(True)
            t.start()
        self.running = 0
 
    def __del__(self): #解構時需等待兩個隊列完成
        time.sleep(0.5)
        self.q_req.join()
        self.q_ans.join()
 
    def taskleft(self):
        return self.q_req.qsize()+self.q_ans.qsize()+self.running
 
    def push(self,req):
        self.q_req.put(req)
 
    def pop(self):
        return self.q_ans.get()
 
    def threadget(self):
        while True:
            req = self.q_req.get()
            with self.lock: #要保證該操作的原子性，進入critical area
                self.running += 1
            try:
                ans = self.opener.open(req).read()
            except Exception, what:
                ans = ‘‘
                print what
            self.q_ans.put((req,ans))
            with self.lock:
                self.running -= 1
            self.q_req.task_done()
            time.sleep(0.1) # don‘t spam
 
if __name__ == "__main__":
    links = [ ‘http://www.verycd.com/topics/%d/‘%i for i in range(5420,5430) ]
    f = Fetcher(threads=10)
    for url in links:
        f.push(url)
    while f.taskleft():
        url,content = f.pop()
        print url,len(content)

8. 一些瑣碎的經驗

1、連接池：

opener.open和urllib2.urlopen一樣，都會新建一個http請求。通常情況下這不是什麽問題，因為線性環境下，一秒鐘可能也就新生成一個請求；然而在多線程環境下，每秒鐘可以是幾十上百個請求，這麽幹只要幾分鐘，正常的有理智的服務器一定會封禁你的。

然而在正常的html請求時，保持同時和服務器幾十個連接又是很正常的一件事，所以完全可以手動維護一個HttpConnection的池，然後每次抓取時從連接池裏面選連接進行連接即可。

這裏有一個取巧的方法，就是利用squid做代理服務器來進行抓取，則squid會自動為你維護連接池，還附帶數據緩存功能，而且squid本來就是我每個服務器上面必裝的東東，何必再自找麻煩寫連接池呢。

2、設定線程的棧大小

棧大小的設定將非常顯著地影響python的內存占用，python多線程不設置這個值會導致程序占用大量內存，這對openvz的vps來說非常致命。stack_size必須大於32768，實際上應該總要32768*2以上

from threading import stack_size
stack_size(32768*16)

3、設置失敗後自動重試

    def get(self,req,retries=3):
        try:
            response = self.opener.open(req)
            data = response.read()
        except Exception , what:
            print what,req
            if retries>0:
                return self.get(req,retries-1)
            else:
                print ‘GET Failed‘,req
                return ‘‘
        return data

4、設置超時

    import socket
    socket.setdefaulttimeout(10) #設置10秒後連接超時

5、登陸

登陸更加簡化了，首先build_opener中要加入cookie支持，參考“總結”一文；如要登陸VeryCD，給Fetcher新增一個空方法login，並在init()中調用，然後繼承Fetcher類並override login方法：

def login(self,username,password):
    import urllib
    data=urllib.urlencode({‘username‘:username,
                           ‘password‘:password,
                           ‘continue‘:‘http://www.verycd.com/‘,
                           ‘login_submit‘:u‘登錄‘.encode(‘utf-8‘),
                           ‘save_cookie‘:1,})
    url = ‘http://www.verycd.com/signin‘
    self.opener.open(url,data).read()

於是在Fetcher初始化時便會自動登錄VeryCD網站。

9. 總結

如此，把上述所有小技巧都糅合起來就和我目前的私藏最終版的Fetcher類相差不遠了，它支持多線程，gzip/deflate壓縮，超時設置，自動重試，設置棧大小，自動登錄等功能；代碼簡單，使用方便，性能也不俗，可謂居家旅行，殺人放火，咳咳，之必備工具。

之所以說和最終版差得不遠，是因為最終版還有一個保留功能“馬甲術”：多代理自動選擇。看起來好像僅僅是一個random.choice的區別，其實包含了代理獲取，代理驗證，代理測速等諸多環節，這就是另一個故事了。

參考

• http://obmem.info/?p=476
• http://obmem.info/?p=753

[轉]用python爬蟲抓站的一些技巧總結 zz