Python写爬虫抓站的一些技巧

文章来源：http://blog.csdn.net/sding/article/details/6214207

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

1.最基本的抓站

1. import urllib2
2. content = urllib2.urlopen('http://XXXX').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。

1. import urllib2
2. proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
3. opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
4. urllib2.install_opener(opener)
5. content = urllib2.urlopen('http://XXXX').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：
-
3.1 cookie的处理

1. import urllib2, cookielib
2. cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
3. opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
4. urllib2.install_opener(opener)
5. content = urllib2.urlopen('http://XXXX').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

1. opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

-
3.2 表单的处理
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postdata

1. import urllib
   
2. postdata = urllib.urlencode({ 'username':'XXXXX', 'password':'XXXXX', 'continueURI':'http://www.verycd.com/', 'fk':fk, 'login_submit':'登录' })

-
然后生成http请求，再发送请求：

1. req = urllib2.Request( url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/', data = postdata )
   
2. result = urllib2.urlopen(req).read()

-
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
#…

1. 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' }
   
2. req = urllib2.Request( url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/', data = 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：

#...

1. headers = { 'Referer':'http://www.cnbeta.com/articles' }

#...

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。

1. from threading import Thread
2. from Queue import Queue
3. from time import sleep
4. #q是任务队列
5. #NUM是并发线程总数
6. #JOBS是有多少任务
7. q = Queue()
8. NUM = 2
9. JOBS = 10
10. #具体的处理函数，负责处理单个任务
11. def do_somthing_using(arguments):
12.     print arguments
13. #这个是工作进程，负责不断从队列取数据并处理
14. def working():
15.     while True:
16.         arguments = q.get()
17.         do_somthing_using(arguments)
18.         sleep(1)
19.         q.task_done()
20. 
    
21. #fork NUM个线程等待队列
22. for i in range(NUM):
23.     t = Thread(target=working)
24.     t.setDaemon(True)
25.     t.start()
26. #把JOBS排入队列
27. for i in range(JOBS):
28.     q.put(i)
29. #等待所有JOBS完成
30. q.join()