Python 3.x爬虫技巧总结
E文好的同学也看直接查看Python文档,Windows下 可能的路径:C:\Python34\Doc
21.6. urllib.request — Extensible library for opening URLs
或者是直接去官网查看:
https://docs.python.org/3/library/urllib.request.html
里面的内容足以支持写出不错的爬虫程序
1.最基本的抓站
1 from urllib import request
2
3 response = request.urlopen("http://www.baidu.com/")
4 content = response.read().decode('utf-8')
5 print(content)
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 from urllib import request
2
3 proxy_support = request.ProxyHandler({'http':'http://xx.xx.xx.xx:xx'})
4 opener = request.build_opener(proxy_support, request.HTTPHandler)
5 request.install_opener(opener)
6
7 content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')
8 print(content)
如果不想一直使用该代理访问,那就不需要调用install_opener(opener)安装了,只需每次使用opener.open(),而不用request.urlopen()。
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. #-*- coding: utf-8 -*-
2.
3. from urllib import request
4. from http import cookiejar
5.
6. cookie_support = request.HTTPCookieProcessor(cookiejar.CookieJar())
7. opener = request.build_opener(cookie_support, request.HTTPHandler)
8. request.install_opener(opener)
9.
10. content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')
11. print(content)
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
-
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:
1. opener = request.build_opener(proxy_support, cookie_support, request.HTTPHandler)
此处图已经失效
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. postdata = parse.urlencode({
2. 'username':'XXXXX',
3. 'password':'XXXXX',
4. 'continueURI':'http://www.verycd.com/',
5. 'fk':'fkasdfasdf',
6. 'login_submit':'登录',
7. })
然后生成http请求,再发送请求:
1. req = request.Request(
2. 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
3. data = postdata
4. )
5. content = request.urlopen(req).read()
6.
7. print(content)
如果是get请求,则如下:
1. fullurl = 'http://xxxxxxxxxxxxxxx/index?%s' % data
2. req = request.Request(fullurl)
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. postdata = parse.urlencode({})
2. headers = {
3. 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
4. }
5. req = request.Request(
6. 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
7. data = postdata,
8. headers = headers
9. )
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 = {
2. 'Referer':'http://www.cnbeta.com/articles'
3. }
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。
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. #-*- coding: utf-8 -*-
2.
3. from threading import Thread
4. from queue import Queue
5. from time import sleep
6. #q是任务队列
7. #NUM是并发线程总数
8. #JOBS是有多少任务
9. q = Queue()
10. NUM = 2
11. JOBS = 10
12. #具体的处理函数,负责处理单个任务
13. def do_somthing_using(arguments):
14. print(arguments)
15.
16. #这个是工作进程,负责不断从队列取数据并处理
17. def working():
18. while True:
19. arguments = q.get()
20. do_somthing_using(arguments)
21. 1)
22. q.task_done()
23. #fork NUM个线程等待队列
24. for i in range(NUM):
25. t = Thread(target=working)
26. True)
27. t.start()
28. #把JOBS排入队列
29. for i in range(JOBS):
30. q.put(i)
31. #等待所有JOBS完成
32. 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。
每天进步一点点,有时间先装修空间哈