用python爬虫抓站的一些技巧总结---observer专栏杂记

用python爬虫抓站的一些技巧总结PostedonDecember26,2009byobserver学用python也有3个多月了，用得最多的还是各类爬虫脚本：写过抓代理本机验证的脚本，写过在discuz论坛中自动登录自动发贴的脚本，写过自动收邮件的脚本，写过简单的验证码识别的脚本，本来想写googlemusic的抓取脚本的，结果有了强大的gmbox，也就不用写了。-这些脚本有一个共性，都是和web相关的，总要用到获取链接的一些方法，再加上simplecd这个半爬虫半网站的项目，累积不少爬虫抓站的经验，在此总结一下，那么以后做东西也就不用重复劳动了。-1.最基本的抓站importurllib2content=urllib2.urlopen(').read()-2.使用代理服务器这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。importurllib2proxy_support=urllib2.ProxyHandler({'http':'})opener=urllib2.build_opener(proxy_support,urllib2.HTTPHandler)urllib2.install_opener(opener)content=urllib2.urlopen(').read()-3.需要登录的情况登录的情况比较麻烦我把问题拆分一下：-3.1cookie的处理importurllib2,cookielibcookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener=urllib2.build_opener(cookie_support,urllib2.HTTPHandler)urllib2.install_opener(opener)content=urllib2.urlopen(').read()是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为opener=urllib2.build_opener(proxy_support,cookie_support,urllib2.HTTPHandler)-3.2表单的处理observer专栏杂记建站编程杂记2011/4/4用python爬虫抓站的一些技巧总结|ob…=4761/7登录必要填表，表单怎么填？首先利用工具截取所要填表的内容比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：-可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。-好的，有了要填写的数据，我们就要生成postdataimporturllibpostdata=urllib.urlencode({'username':'XXXXX','password':'XXXXX','continueURI':':fk,'login_submit':'登录'})-然后生成http请求，再发送请求：req=urllib2.Request(url='*/=postdata)result=urllib2.urlopen(req).read()2011/4/4用python爬虫抓站的一些技巧总结|ob…=4762/7-3.3伪装成浏览器访问某些网站反感爬虫的到访，于是对爬虫一律拒绝请求这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现#…headers={'User-Agent':'Mozilla/5.0(Windows;U;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/3.5.6'}req=urllib2.Request(url='*/=postdata,headers=headers)#...-3.4反”反盗链”某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要像3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：#...headers={'Referer':'}#...headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。例如，有些自作聪明的网站总喜欢窥人隐私，别人通过代理访问，他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP，没话说，那就直接把X-Forwarde-For改了吧，可以改成随便什么好玩的东东来欺负欺负他，呵呵。-3.5终极绝招有时候即使做了3.1-3.4，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。-4.多线程并发抓取单线程太慢的话，就需要多线程了，这里给个简单的线程池模板这个程序只是简单地打印了1-10，但是可以看出是并发地。fromthreadingimportThreadfromQueueimportQueuefromtimeimportsleep#q是任务队列#NUM是并发线程总数#JOBS是有多少任务q=Queue()NUM=2JOBS=10#具体的处理函数，负责处理单个任务defdo_somthing_using(arguments):printarguments2011/4/4用python爬虫抓站的一些技巧总结|ob…=4763/7#这个是工作进程，负责不断从队列取数据并处理defworking():whileTrue:arguments=q.get()do_somthing_using(arguments)sleep(1)q.task_done()#forkNUM个线程等待队列foriinrange(NUM):t=Thread(target=working)t.setDaemon(True)t.start()#把JOBS排入队列foriinrange(JOBS):q.put(i)#等待所有JOBS完成q.join()5.验证码的处理碰到验证码咋办？这里分两种情况处理：-1.google那种验证码，凉拌-2.简单的验证码：字符个数有限，只使用了简单的平移或旋转加噪音而没有扭曲的，这种还是有可能可以处理的，一般思路是旋转的转回来，噪音去掉，然后划分单个字符，划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库，然后把验证码和特征库进行比较。这个比较复杂，一篇博文是说不完的，这里就不展开了，具体做法请弄本相关教科书好好研究一下。-3.事实上有些验证码还是很弱的，这里就不点名了，反正我通过2的方法提取过准确度非常高的验证码，所以2事实上是可行的。-6.总结基本上我遇到过的所有情况，用以上方法都顺利解决了，不太清楚还有没有其他漏掉的情况，所以本文到这里就完成了，以后要是碰上其他情况，再补充相关方法好了：）本文后续见：=753Thisentrywaspostedinpython,编程andtaggedpython,编程.Bookmarkthepermalink.20Responsesto用python爬虫抓站的一些技巧总结qsunsays:December26,2009at8:43pmPython有没有Perl的那种的模块？那玩意用来作抓取特别好用。Replyobserversays:December26,2009at9:38pm有的，就叫mechanize，不过我觉得python语法用来抓站本来就够简单了，用mechanize有点多此一举，还是觉得不如正则表达式+urllib2来得方便高效。而且mechanize还不够强，依旧处理不了javascript什么的，真的碰上难度大的站点，还是得自己分析网站的js代码，给出相应调整；或者干脆用更强大的selenium。2011/4/4用python爬虫抓站的一些技巧总结|ob…=4764/7Pingback:Tweetsthatmention用python爬虫抓站的一些技巧总结|Observer专栏杂记--Topsy.comReplyGoodsays:December27,2009at12:11am不错，python简单的多线程确实适合爬虫，有正则，基本上就没什么大问题了Replyoldjansays:December27,2009at4:20am写得真不错正好在学习这方面感谢你的分享Replybones7456says:December27,2009at9:29pm宝贵的经验，太有用了，谢谢Observer！PS：我那半成品gmbox也被提到了，哈哈。。。Reply犀牛says:December28,2009at2:45am请问centos的vps能否搭建SimpleCD的运行环境Replyloveandy183says:December29,2009at11:49am你好，我是菜鸟，弱弱的问一下你的“最基本的抓站”里面代码运行下，会产生什么样的效果，我这边没一点反应，我网址里填的:25am推特上看过来的,感觉好悬Replytyzsays:January12,2010at3:56pm博主不会那么俗的，应该在家写爬龙脚本准备把大家都吓死。。。Reply2011/4/4用python爬虫抓站的一些技巧总结|ob…=4765/7Pingback:python验证码识别之Discuz(一)|Observer专栏杂记Pingback:使用python爬虫抓站的一些技巧总结：进阶篇|observer专栏杂记wpzonesays:January13,2010at5:15pmobmem.info/old的文章都很实用，让我了解了不少东西，强烈建议博主更新频繁一点Replyadcsays:January23,2010at6:07pm大哥~能不能做一个完整的例子呢对我们菜鸟来说是莫大的帮助~谢谢谢谢谢谢谢谢谢谢谢谢谢谢谢谢Reply尚书房says:February18,2010at3:38pm不错，我现在用的是pycurl，用多线程调试起来很麻烦，pycurl的multi下载也不错。我现在的