urllib庫爲例進行介紹
中所有代碼需要注意的庫文件名:urllib 、cookielib 、httplib 、StringIO 、gzip 、Thread 、Queue
1、基本抓取網頁
get方法
import urllib2
url = "http://www.baidu.com"
respons = urllib2.urlopen(url)
print(response.read())
post方法
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,通過此類可以設置代理訪問網頁,如下代碼片段:
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是某些網站爲了辨別用戶身份、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.
代碼片段:
import urllib2
import 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。
手動添加 cookie
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)
4、僞裝成瀏覽器
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
-
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
-
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 header 來實現,代碼片段如下:
import urllib2
headers = {
'User-Agent': 'Mozilla/5.0'
}
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
- 解析庫了,常用的有兩個 lxml 和 BeautifulSoup
- 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語言編碼,高效,支持Xpath
- 個人比較喜歡使用 xpath 進行頁面解析
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。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,因爲 XML 數據 的壓縮率可以很高
但是一般服務器不會爲你發送壓縮數據,除非你告訴服務器你可以處理壓縮數據
於是需要這樣修改代碼:
import urllib2
import httplib
request = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip')
opener = 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 StringIO
import gzip
compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print(gzipper.read())
8、多線程併發抓取
- 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,但是可以看出是併發的
- 雖然說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
from threading import Thread
from Queue import Queue
from time import sleep
# q是任務隊列
# NUM是併發線程總數
# 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()
ps:高強度的爬蟲會對服務器造成很大的壓力,使用時配置好請求速度,合理使用避免造成不良影響