用python爬蟲抓站的一些技巧總結
學用python也有3個多月了，用得最多的還是各類爬蟲腳本：寫過抓代理本機驗證的腳本，寫過在discuz論壇中自動登錄自動發(fā)貼的腳本，寫過自動收郵件的腳本，寫過簡單的驗證碼識別的腳本，本來想寫google music的抓取腳本的，結果有了強大的gmbox，也就不用寫了。
這些腳本有一個共性，都是和web相關的，總要用到獲取鏈接的一些方法，再加上simplecd這個半爬蟲半網(wǎng)站的項目，累積不少爬蟲抓站的經(jīng)驗，在此總結一下，那么以后做東西也就不用重復勞動了。
1.最基本的抓站
- import urllib2
- content = urllib2.urlopen('http://XXXX').read()
2.使用代理服務器
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(shù)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.需要登錄的情況
登錄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然后operner改為
- opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
3.2 表單的處理
登錄必要填表，表單怎么填？首先利用工具截取所要填表的內(nèi)容。
比如我一般用firefox+httpfox插件來看看自己到底發(fā)送了些什么包
這個我就舉個例子好了，以verycd為例，先找到自己發(fā)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(jīng)過簡單的編碼生成的），需要從網(wǎng)頁獲取，也就是說得先訪問一次網(wǎng)頁，用正則表達式等工具截取返回數(shù)據(jù)中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有username，password那就很顯然了。
好的，有了要填寫的數(shù)據(jù)，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':'登錄'
- })
然后生成http請求，再發(fā)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(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現(xiàn)：
- 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,
- headers = headers
- )
3.4 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(fā)送請求的header里面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網(wǎng)站即可，以黑幕著稱地cnbeta為例：
- headers = {
- 'Referer':'http://www.cnbeta.com/articles'
- }
headers是一個dict數(shù)據(jù)結構，你可以放入任何想要的header，來做一些偽裝。例如，有些自作聰明的網(wǎng)站總喜歡窺人隱私，別人通過代理訪問，他偏偏要讀取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，可以改成隨便什么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(jù)，那么沒辦法，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，那么它也可以做到。類似的還有pamie，watir，等等等等。
4.多線程并發(fā)抓取
單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發(fā)地。
- from threading import Thread
- from Queue import Queue
- from time import sleep
- #q是任務隊列
- #NUM是并發(fā)線程總數(shù)
- #JOBS是有多少任務
- q = Queue()
- NUM = 2
- JOBS = 10
- #具體的處理函數(shù)，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(shù)據(jù)并處理
- 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()
5.驗證碼的處理
碰到驗證碼咋辦？這里分兩種情況處理：
- google那種驗證碼，涼拌
- 簡單的驗證碼：字符個數(shù)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，然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，然后把驗證碼和特征庫進行比較。這個比較復雜，一篇博文是說不完的，這里就不展開了，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，這里就不點名了，反正我通過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支持
現(xiàn)在的網(wǎng)頁普遍支持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，壓縮了以后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默認都不支持壓縮，要返回壓縮格式，必須在request的header里面寫明’accept-encoding’，然后讀取response后更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支持gzip, defalte呢？
其實可以繼承BaseHanlder類，然后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 headers to requests
- def http_request(self, req):
- req.add_header("Accept-Encoding", "gzip, deflate")
- return req
- # decode
- def http_response(self, req, resp):
- old_resp = resp
- # gzip
- if resp.headers.get("content-encoding") == "gzip":
- gz = GzipFile(
- fileobj=StringIO(resp.read()),
- mode="r"
- )
- resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
- resp.msg = old_resp.msg
- # deflate
- if resp.headers.get("content-encoding") == "deflate":
- gz = StringIO( deflate(resp.read()) )
- resp = urllib2.addinfourl(gz, old_resp.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)
然后就簡單了，
- encoding_support = ContentEncodingProcessor
- opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
- #直接用opener打開網(wǎng)頁，如果服務器支持gzip/defalte則自動解壓縮
- content = opener.open(url).read()
7. 更方便地多線程
總結一文的確提及了一個簡單的多線程模板，但是那個東東真正應用到程序里面去只會讓程序變得支離破碎，不堪入目。在怎么更方便地進行多線程方面我也動了一番腦筋。先想想怎么進行多線程調(diào)用最方便呢？
1、用twisted進行異步I/O抓取
事實上更高效的抓取并非一定要用多線程，也可以使用異步I/O法：直接用twisted的getPage方法，然后分別加上異步I/O結束時的callback和errback方法即可。例如可以這么干：
- 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
- # 批量抓取鏈接
- for url in links:
- getPage(url,timeout=5) \
- .addCallback(parse_page,url) \ #成功則調(diào)用parse_page方法
- .addErrback(fetch_error,url) #失敗則調(diào)用fetch_error方法
- reactor.callLater(5, reactor.stop) #5秒鐘后通知reactor結束程序
- reactor.run()
twisted人如其名，寫的代碼實在是太扭曲了，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的程序整個人都扭曲了，累得不得了，文檔等于沒有，必須得看源碼才知道怎么整，唉不提了。
如果要支持gzip/deflate，甚至做一些登陸的擴展，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。
這篇講怎么用twisted來進行批量網(wǎng)址處理的文章不錯，由淺入深，深入淺出，可以一看。
2、設計一個簡單的多線程抓取類
還是覺得在urllib之類python“本土”的東東里面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這么調(diào)用
- f = Fetcher(threads=10) #設定下載線程數(shù)為10
- for url in urls:
- f.push(url) #把所有url推入下載隊列
- while f.taskleft(): #若還有未完成下載的線程
- content = f.pop() #從下載完成隊列中取出結果
- do_with(content) # 處理content內(nèi)容
這么個多線程調(diào)用簡單明了，那么就這么設計吧，首先要有兩個隊列，用Queue搞定，多線程的基本架構也和“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“正在運行的任務”或者”隊列中的任務”則為是，也好辦，于是代碼如下：
- 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() #線程鎖
- self.q_req = Queue() #任務隊列
- self.q_ans = Queue() #完成隊列
- self.threads = threads
- for i in range(threads):
- t = Thread(target=self.threadget)
- t.setDaemon(True)
- t.start()
- self.running = 0
- def __del__(self): #解構時需等待兩個隊列完成
- 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(jīng)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么問題，因為線性環(huán)境下，一秒鐘可能也就新生成一個請求；然而在多線程環(huán)境下，每秒鐘可以是幾十上百個請求，這么干只要幾分鐘，正常的有理智的服務器一定會封禁你的。
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，然后每次抓取時從連接池里面選連接進行連接即可。
這里有一個取巧的方法，就是利用squid做代理服務器來進行抓取，則squid會自動為你維護連接池，還附帶數(shù)據(jù)緩存功能，而且squid本來就是我每個服務器上面必裝的東東，何必再自找麻煩寫連接池呢。
2、設定線程的棧大小
棧大小的設定將非常顯著地影響python的內(nèi)存占用，python多線程不設置這個值會導致程序占用大量內(nèi)存，這對openvz的vps來說非常致命。stack_size必須大于32768，實際上應該總要32768*2以上
- from threading import stack_size
- stack_size(32768*16)
3、設置失敗后自動重試
- 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、設置超時
- import socket
- socket.setdefaulttimeout(10) #設置10秒后連接超時
5、登陸
登陸更加簡化了，首先build_opener中要加入cookie支持，參考“總結”一文；如要登陸VeryCD，給Fetcher新增一個空方法login，并在init()中調(diào)用，然后繼承Fetcher類并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'登錄'.encode('utf-8'),
- 'save_cookie':1,})
- url = 'http://www.verycd.com/signin'
- self.opener.open(url,data).read()
于是在Fetcher初始化時便會自動登錄VeryCD網(wǎng)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，它支持多線程，gzip/deflate壓縮，超時設置，自動重試，設置棧大小，自動登錄等功能；代碼簡單，使用方便，性能也不俗，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?？雌饋砗孟駜H僅是一個random.choice的區(qū)別，其實包含了代理獲取，代理驗證，代理測速等諸多環(huán)節(jié)，這就是另一個故事了。
參考
- http://obmem.info/?p=476
- http://obmem.info/?p=753
