Python爬蟲基礎與技巧
基於Python2.7
1 基本抓取網頁
get 方法
import urllib2url = "http://www.baidu.com"response = urllib2.urlopen(url)print response.read() |
post 方法
import urllibimport 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，這時要用到代理IP；
在urllib2包中有ProxyHandler類，通過此類可以設置代理訪問網頁，如下：
import urllib2 proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})opener = urllib2.build_opener(proxy)urllib2.install_opener(opener)response = urllib2.urlopen(' print response.read() |
3 Cookies處理
cookies是某些網站為了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(通常經過加密)，python提供了cookielib模塊用於處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與 urllib2模塊配合使用來訪問 Internet資源.
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，所有過程都不需要單獨去操作。
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 接口時，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，代碼片段如下：
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達式，這個對於不同網站不同的使用者都不一樣，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，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：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
對於這兩個庫，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索獲得某個HTML節點的源碼；
lxml是C語言實現，高效，支持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。只進行過一些簡單的驗證碼識別。
7、gzip壓縮
有些網頁，不論怎麽轉碼都是一團亂碼。許多web服務具有發送壓縮數據的能力，這可以將網絡線路上傳輸的大量數據消減 60% 以上。這尤其適用於 XML web 服務，因為 XML 數據 的壓縮率可以很高。
但是一般服務器不會為你發送壓縮數據，除非你告訴服務器你可以處理壓縮數據。
需要這樣修改代碼：
import urllib2, httplibrequest = urllib2.Request('http://xxxx.com')request.add_header('Accept-encoding', 'gzip') 1opener = urllib2.build_opener()f = opener.open(request) |
這是關鍵:
創建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
然後就是解壓縮數據：
import StringIOimport gzip compresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata)gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read() |
8 多線程並發抓取
單線程太慢，就需要多線程了
雖說python的多線程很雞肋，但是對於爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
對於多線程的爬取，還有一個比較實用的方法是使用Scrapy，Scrapy使用了Twisted作為框架，采用多線程異步爬取，能夠大大加快爬取速度。不過也就增加了，被服務器拒絕訪問的可能，需要另外解決。
9 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，所以我們只需要把headers的referer改成該網站即可：
headers = { 'Referer':'http://www.baidu.com'} |
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。
10 終極招數
有時候訪問還是會被據，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。
11 一些經驗
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。
2、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: print what,req if retries>0: return self.get(req,retries-1) else: print 'GET Failed',req return '' return data |
3、設置超時
import socketsocket.setdefaulttimeout(10) #設置10秒後連接超時 |
Python爬蟲基礎與技巧