知識星球
學用python也有3個多月了，用得最多的還是各類爬蟲指令碼：寫過抓代理本機驗證的指令碼，寫過在discuz論壇中自動登入自動發貼的指令碼，寫過自動收郵件的指令碼，寫過簡單的驗證碼識別的指令碼，本來想寫google music的抓取指令碼的，結果有了強大的gmbox，也就不用寫了。
這些指令碼有一個共性，都是和web相關的，總要用到獲取連結的一些方法，再加上simplecd這個半爬蟲半網站的專案，累積不少爬蟲抓站的經驗，在此總結一下，那麼以後做東西也就不用重覆勞動了。
1.最基本的抓站
import urllib2
content = urllib2.urlopen(‘http://XXXX’).read()
2.使用代理伺服器
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.需要登入的情況
登入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
登入必要填表，表單怎麼填？首先利用工具擷取所要填表的內容。
比如我一般用firefox+httpfox外掛來看看自己到底發送了些什麼包
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，用正則運算式等工具擷取傳回資料中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從原始碼可以看出。還有username，password那就很顯然了。
好的，有了要填寫的資料，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’:‘登入’
})
然後生成http請求，再傳送請求：
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，這可以透過修改http包中的essay-header來實現：
essay-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,
essay-headers = essay-headers
)
3.4 反”反盜鏈”
某些站點有所謂的反盜鏈設定，其實說穿了很簡單，就是檢查你傳送請求的essay-header裡面，referer站點是不是他自己，所以我們只需要像3.3一樣，把essay-headers的referer改成該網站即可，以黑幕著稱地cnbeta為例：
essay-headers = {
‘Referer’:‘http://www.cnbeta.com/articles’
}
essay-headers是一個dict資料結構，你可以放入任何想要的essay-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，別人透過代理訪問，他偏偏要讀取essay-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，可以改成隨便什麼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，那麼沒辦法，老老實實把httpfox中看到的essay-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，那麼它也可以做到。類似的還有pamie，watir，等等等等。
4.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地。
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
#這個是工作行程，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()
5.驗證碼的處理
碰到驗證碼咋辦？這裡分兩種情況處理：
-
google那種驗證碼，涼拌
-
簡單的驗證碼：字元個數有限，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，然後劃分單個字元，劃分好了以後再透過特徵提取的方法(例如PCA)降維並生成特徵庫，然後把驗證碼和特徵庫進行比較。這個比較複雜，一篇博文是說不完的，這裡就不展開了，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，這裡就不點名了，反正我透過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支援
現在的網頁普遍支援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預設都不支援壓縮，要傳回壓縮格式，必須在request的essay-header裡面寫明’accept-encoding’，然後讀取response後更要檢查essay-header檢視是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支援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 essay-headers to requests
def http_request(self, req):
req.add_essay-header(“Accept-Encoding”, “gzip, deflate”)
return req
# decode
def http_response(self, req, resp):
old_resp = resp
# gzip
if resp.essay-headers.get(“content-encoding”) == “gzip”:
gz = GzipFile(
fileobj=StringIO(resp.read()),
mode=“r”
)
resp = urllib2.addinfourl(gz, old_resp.essay-headers, old_resp.url, old_resp.code)
resp.msg = old_resp.msg
# deflate
if resp.essay-headers.get(“content-encoding”) == “deflate”:
gz = StringIO( deflate(resp.read()) )
resp = urllib2.addinfourl(gz, old_resp.essay-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開啟網頁，如果伺服器支援gzip/defalte則自動解壓縮
content = opener.open(url).read()
7. 更方便地多執行緒
總結一文的確提及了一個簡單的多執行緒模板，但是那個東東真正應用到程式裡面去只會讓程式變得支離破碎，不堪入目。在怎麼更方便地進行多執行緒方面我也動了一番腦筋。先想想怎麼進行多執行緒呼叫最方便呢？
1、用twisted進行非同步I/O抓取
事實上更高效的抓取並非一定要用多執行緒，也可以使用非同步I/O法：直接用twisted的getPage方法，然後分別加上非同步I/O結束時的callback和errback方法即可。例如可以這麼乾：
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
# 批次抓取連結
for url in links:
getPage(url,timeout=5)
.addCallback(parse_page,url) #成功則呼叫parse_page方法
.addErrback(fetch_error,url) #失敗則呼叫fetch_error方法
reactor.callLater(5, reactor.stop) #5秒鐘後通知reactor結束程式
reactor.run()
twisted人如其名，寫的程式碼實在是太扭曲了，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的程式整個人都扭曲了，累得不得了，檔案等於沒有，必須得看原始碼才知道怎麼整，唉不提了。
如果要支援gzip/deflate，甚至做一些登陸的擴充套件，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。
這篇講怎麼用twisted來進行批次網址處理的文章不錯，由淺入深，深入淺出，可以一看。
2、設計一個簡單的多執行緒抓取類
還是覺得在urllib之類python“本土”的東東裡面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這麼呼叫
f = Fetcher(threads=10) #設定下載執行緒數為10
for url in urls:
f.push(url) #把所有url推入下載佇列
while f.taskleft(): #若還有未完成下載的執行緒
content = f.pop() #從下載完成佇列中取出結果
do_with(content) # 處理content內容
這麼個多執行緒呼叫簡單明瞭，那麼就這麼設計吧，首先要有兩個佇列，用Queue搞定，多執行緒的基本架構也和“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“正在執行的任務”或者”佇列中的任務”則為是，也好辦，於是程式碼如下：
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() #執行緒鎖
self.q_req = Queue() #任務佇列
self.q_ans = Queue() #完成佇列
self.threads = threads
for i in range(threads):
t = Thread(target=self.threadget)
t.setDaemon(True)
t.start()
self.running = 0
def __del__(self): #解構時需等待兩個佇列完成
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、連線池：
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麼問題，因為線性環境下，一秒鐘可能也就新生成一個請求；然而在多執行緒環境下，每秒鐘可以是幾十上百個請求，這麼乾只要幾分鐘，正常的有理智的伺服器一定會封禁你的。
然而在正常的html請求時，保持同時和伺服器幾十個連線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線池裡面選連線進行連線即可。
這裡有一個取巧的方法，就是利用squid做代理伺服器來進行抓取，則squid會自動為你維護連線池，還附帶資料快取功能，而且squid本來就是我每個伺服器上面必裝的東東，何必再自找麻煩寫連線池呢。
2、設定執行緒的棧大小
棧大小的設定將非常顯著地影響python的記憶體佔用，python多執行緒不設定這個值會導致程式佔用大量記憶體，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、設定失敗後自動重試
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、設定超時
import socket
socket.setdefaulttimeout(10) #設定10秒後連線超時
5、登陸
登陸更加簡化了，首先build_opener中要加入cookie支援，參考“總結”一文；如要登陸VeryCD，給Fetcher新增一個空方法login，併在init()中呼叫，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‘登入’.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入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，它支援多執行緒，gzip/deflate壓縮，超時設定，自動重試，設定棧大小，自動登入等功能；程式碼簡單，使用方便，效能也不俗，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
來自： observer
http://obmem.info/?p=476
————近期開班————
馬哥聯合BAT、豆瓣等一線網際網路Python開發達人，根據目前企業需求的Python開發人才進行了深度定製，加入了大量一線網際網路公司：大眾點評、餓了麼、騰訊等生產環境真是專案，課程由淺入深，從Python基礎到Python高階，讓你融匯貫通Python基礎理論，手把手教學讓你具備Python自動化開發需要的前端介面開發、Web框架、大監控系統、CMDB系統、認證堡壘機、自動化流程平臺六大實戰能力，讓你從0開始蛻變成Hold住年薪20萬的Python自動化開發人才。
10期面授班：2018年03月05號（北京）
09期網路班：騰訊課堂隨到隨學（網路）
掃描二維碼領取學習資料
更多Python好文請點選【閱讀原文】哦
↓↓↓
