以前写过一篇使用python爬虫抓站的一些技巧总结,总结了诸多爬虫使用的方法;那篇东东现在看来还是挺有用的,但是当时很菜(现在也菜,但是比那时进步了不少),很多东西都不是很优,属于”只是能用”这么个层次。这篇进阶篇打算把“能用”提升到“用得省事省心”这个层次。
一、gzip/deflate支持
现在的网页普遍支持gzip压缩,这往往可以解决大量传输时间,以VeryCD的主页为例,未压缩版本247K,压缩了以后45K,为原来的1/5。这就意味着抓取速度会快5倍。
然而python的urllib/urllib2默认都不支持压缩,要返回压缩格式,必须在request的header里面写明’accept-encoding’,然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码,很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢?
其实可以继承BaseHanlder类,然后build_opener的方式来处理:
- 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)
然后就简单了,
- encoding_support = ContentEncodingProcessor
- opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
-
- #直接用opener打开网页,如果服务器支持gzip/defalte则自动解压缩
- content = opener.open(url).read()
二、更方便地多线程
总结一文的确提及了一个简单的多线程模板,但是那个东东真正应用到程序里面去只会让程序变得支离破碎,不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢?
1、用twisted进行异步I/O抓取
事实上更高效的抓取并非一定要用多线程,也可以使用异步I/O法:直接用twisted的getPage方法,然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干:
- 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
-
- # 批量抓取链接
- for url in links:
- getPage(url,timeout=5) \
- .addCallback(parse_page,url) \ #成功则调用parse_page方法
- .addErrback(fetch_error,url) #失败则调用fetch_error方法
-
- reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
- reactor.run()
twisted人如其名,写的代码实在是太扭曲了,非正常人所能接受,虽然这个简单的例子看上去还好;每次写twisted的程序整个人都扭曲了,累得不得了,文档等于没有,必须得看源码才知道怎么整,唉不提了。
如果要支持gzip/deflate,甚至做一些登陆的扩展,就得为twisted写个新的HTTPClientFactory类诸如此类,我这眉头真是大皱,遂放弃。有毅力者请自行尝试。
这篇讲怎么用twisted来进行批量网址处理的文章不错,由浅入深,深入浅出,可以一看。
2、设计一个简单的多线程抓取类
还是觉得在urllib之类python“本土”的东东里面折腾起来更舒服。试想一下,如果有个Fetcher类,你可以这么调用
- f = Fetcher(threads=10) #设定下载线程数为10
- for url in urls:
- f.push(url) #把所有url推入下载队列
- while f.taskleft(): #若还有未完成下载的线程
- content = f.pop() #从下载完成队列中取出结果
- do_with(content) # 处理content内容
这么个多线程调用简单明了,那么就这么设计吧,首先要有两个队列,用Queue搞定,多线程的基本架构也和“技巧总结”一文类似,push方法和pop方法都比较好处理,都是直接用Queue的方法,taskleft则是如果有“正在运行的任务”或者”队列中的任务”则为是,也好办,于是代码如下:
- 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() #线程锁
- self.q_req = Queue() #任务队列
- self.q_ans = Queue() #完成队列
- self.threads = threads
- for i in range(threads):
- t = Thread(target=self.threadget)
- t.setDaemon(True)
- t.start()
- self.running = 0
-
- def __del__(self): #解构时需等待两个队列完成
- 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: #要保证该操作的原子性,进入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)
三、一些琐碎的经验
1、连接池:
opener.open和urllib2.urlopen一样,都会新建一个http请求。通常情况下这不是什么问题,因为线性环境下,一秒钟可能也就新生成一个请求;然而在多线程环境下,每秒钟可以是几十上百个请求,这么干只要几分钟,正常的有理智的服务器一定会封禁你的。
然而在正常的html请求时,保持同时和服务器几十个连接又是很正常的一件事,所以完全可以手动维护一个HttpConnection的池,然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法,就是利用squid做代理服务器来进行抓取,则squid会自动为你维护连接池,还附带数据缓存功能,而且squid本来就是我每个服务器上面必装的东东,何必再自找麻烦写连接池呢。
2、设定线程的栈大小
栈大小的设定将非常显著地影响python的内存占用,python多线程不设置这个值会导致程序占用大量内存,这对openvz的vps来说非常致命。stack_size必须大于32768,实际上应该总要32768*2以上
- from threading import stack_size
- stack_size(32768*16)
3、设置失败后自动重试
- 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、设置超时
- import socket
- socket.setdefaulttimeout(10) #设置10秒后连接超时
5、登陆
登陆更加简化了,首先build_opener中要加入cookie支持,参考“总结”一文;如要登陆VeryCD,给Fetcher新增一个空方法login,并在__init__()中调用,然后继承Fetcher类并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'登录'.encode('utf-8'),
- 'save_cookie':1,})
- url = 'http://www.verycd.com/signin'
- self.opener.open(url,data).read()
于是在Fetcher初始化时便会自动登录VeryCD网站。
四、总结
如此,把上述所有小技巧都糅合起来就和我目前的私藏最终版的Fetcher类相差不远了,它支持多线程,gzip/deflate压缩,超时设置,自动重试,设置栈大小,自动登录等功能;代码简单,使用方便,性能也不俗,可谓居家旅行,杀人放火,咳咳,之必备工具。
之所以说和最终版差得不远,是因为最终版还有一个保留功能“马甲术”:多代理自动选择。看起来好像仅仅是一个random.choice的区别,其实包含了代理获取,代理验证,代理测速等诸多环节,这就是另一个故事了。
posted @ 2011-05-12 23:16 Morya 阅读(357) 评论(0) 编辑
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google music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
- import urllib2
- 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。
- 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
- 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
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
- import urllib
- 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:
- req = urllib2.Request(
- url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
- data = postdata
- )
- 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
#…
- 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':'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。
- from threading import Thread
- from Queue import Queue
- from time import sleep
- #q是任务队列
- #NUM是并发线程总数
- #JOBS是有多少任务
- q = Queue()
- NUM = 2
- JOBS = 10
- #具体的处理函数,负责处理单个任务
- def do_somthing_using(arguments):
- print arguments
- #这个是工作进程,负责不断从队列取数据并处理
- def working():
- while True:
- arguments = q.get()
- do_somthing_using(arguments)
- sleep(1)
- q.task_done()
- #fork NUM个线程等待队列
- for i in range(NUM):
- t = Thread(target=working)
- t.setDaemon(True)
- t.start()
- #把JOBS排入队列
- for i in range(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: http://obmem.info/?p=753
posted @ 2011-05-12 23:15 Morya 阅读(81) 评论(0) 编辑
httplib实现了HTTP和HTTPS的客户端协议,一般不直接使用,在python更高层的封装模块中(urllib,urllib2)使用了它的http实现。
import
httplib
conn = httplib.HTTPConnection( " google.com " ) conn.request( ' get ' , ' / ' ) print conn.getresponse().read() conn.close()
httplib.HTTPConnection ( host [ , port [ , strict [ , timeout ]]] )
HTTPConnection类的构造函数,表示一次与服务器之间的交互,即请求/响应。参数host表示服务器主机,如:http://www.csdn.net/;port为端口号,默认值为80; 参数strict的 默认值为false, 表示在无法解析服务器返回的状态行时( status line) (比较典型的状态行如: HTTP/1.0 200 OK ),是否抛BadStatusLine 异常;可选参数timeout 表示超时时间。
HTTPConnection.request ( method , url [ , body [ , headers ]] )
调用request 方法会向服务器发送一次请求,method 表示请求的方法,常用有方法有get 和post ;url 表示请求的资源的url ;body 表示提交到服务器的数据,必须是字符串(如果method 是”post” ,则可以把body 理解为html 表单中的数据);headers 表示请求的http 头。
import
httplib
conn = httplib.HTTPConnection( " www.g.com " , 80 , False) conn.request( ' get ' , ' / ' , headers = { " Host " : " www.google.com " , " User-Agent " : " Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5 " , " Accept " : " text/plain " }) res = conn.getresponse() print ' version: ' , res.version print ' reason: ' , res.reason print ' status: ' , res.status print ' msg: ' , res.msg print ' headers: ' , res.getheaders() # html # print '\n' + '-' * 50 + '\n' # print res.read() conn.close() Httplib模块中还定义了许多常量,如:
req
=
urllib2.Request(
'
http://pythoneye.com
'
)
response = urllib2.urlopen(req) the_page = response.read() FTP同样:
req
=
urllib2.Request(
'
ftp://pythoneye.com
'
)
urlopen返回的应答对象response有两个很有用的方法info()和geturl()
values
=
{
'
body
'
:
'
test short talk
'
,
'
via
'
:
'
xxxx
'
}
data = urllib.urlencode(values) req = urllib2.Request(url, data) get方式:
data[
'
name
'
]
=
'
Somebody Here
'
data[ ' location ' ] = ' Northampton ' data[ ' language ' ] = ' Python ' url_values = urllib.urlencode(data) url = ' http://pythoneye.com/example.cgi ' full_url = url + ' ? ' + url_values data = urllib2.open(full_url) 使用Basic HTTP Authentication:
import
urllib2
# Create an OpenerDirector with support for Basic HTTP Authentication... auth_handler = urllib2.HTTPBasicAuthHandler() auth_handler.add_password(realm = ' PDQ Application ' , uri = ' https://pythoneye.com/vecrty.py ' , user = ' user ' , passwd = ' pass ' ) opener = urllib2.build_opener(auth_handler) # ...and install it globally so it can be used with urlopen. urllib2.install_opener(opener) urllib2.urlopen( ' http://www. pythoneye.com/app.html ' ) 使用代理ProxyHandler:
proxy_handler
=
urllib2.ProxyHandler({
'
http
'
:
'
http://www.example.com:3128/
'
})
proxy_auth_handler = urllib2.HTTPBasicAuthHandler() proxy_auth_handler.add_password( ' realm ' , ' host ' , ' username ' , ' password ' ) opener = build_opener(proxy_handler, proxy_auth_handler) # This time, rather than install the OpenerDirector, we use it directly: opener.open( ' http://www.example.com/login.html ' ) URLError–HTTPError: from urllib2 import Request, urlopen, URLError, HTTPError req = Request(someurl) try : response = urlopen(req) except HTTPError, e: print ' Error code: ' , e.code except URLError, e: print ' Reason: ' , e.reason else : ............. 或者:
from
urllib2
import
Request, urlopen, URLError
req = Request(someurl) try : response = urlopen(req) except URLError, e: if hasattr(e, ' reason ' ): print ' Reason: ' , e.reason elif hasattr(e, ' code ' ): print ' Error code: ' , e.code else : ............. 通常,URLError在没有网络连接(没有路由到特定服务器),或者服务器不存在的情况下产生
req
=
urllib2.Request(
'
http://pythoneye.com
'
)
try : urllib2.urlopen(req) except URLError, e: print e.reason print e.code print e.read() 最后需要注意的就是,当处理URLError和HTTPError的时候,应先处理HTTPError,后处理URLError
class
HTTPHandler(AbstractHTTPHandler):
def http_open(self, req): return self.do_open(httplib.HTTPConnection, req) http_request = AbstractHTTPHandler.do_request_ HTTPHandler是Openers当中的默认控制器之一,看到这个代码,证实了urllib2是借助于httplib实现的,同时也证实了Openers和Handlers的关系。 |