Python爬虫套路总结

  • A+
所属分类:Python笔记
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,写过各类B2B网站,垂直行业的数据爬取等等
这些脚本有一个共性,都是和 web页面相关的,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,基本上都是固定的套路,在此总结。

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。
t 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
t 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
observer专 专 栏 杂 记
建站 编程 杂记
2011/4/4
用 python 爬虫抓站的一些技巧总结 | ob …
http://obmem.info/?p=476 1/7
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
t 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()
2011/4/4
用 python 爬虫抓站的一些技巧总结 | ob …
http://obmem.info/?p=476 2/7
-
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。
m from threading t import Thread
m from Queue t import Queue
m from time t 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
f def do_somthing_using(arguments):
t print arguments
2011/4/4
用 python 爬虫抓站的一些技巧总结 | ob …
http://obmem.info/?p=476 3/7
#这个是工作进程,负责不断从队列取数据并处理
f def working():
e while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM个线程等待队列
r for i n in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入队列
r for i n 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:)

  • 我的私人微信
  • 一名退役攻城狮,爱好编程和赚钱!
  • weinxin
  • 大T课堂公众号
  • 专注8小时之外个人提升!
  • weinxin
大T老师

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: