详解Python爬虫的基本写法
什么是爬虫
爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来。想抓取什么?这个由你来控制它咯。
比如它在抓取一个网页,在这个网中他发现了一条道路,其实就是指向网页的超链接,那么它就可以爬到另一张网上来获取数据。这样,整个连在一起的大网对这之蜘蛛来说触手可及,分分钟爬下来不是事儿。
1.最基本的抓站
importurllib2 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。
importurllib2 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
importurllib2,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
importurllib 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;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/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
printtime.time()-start 1.. fromthreadingimportThread fromQueueimportQueue fromtimeimportsleep importurllib2 importtime q=Queue() NUM=10 JOBS=50 defdo_somthing_using(p): response=urllib2.urlopen('http://www.cnblogs.com') result=response.read() #printp defworking(): whileTrue: arguments=q.get() do_somthing_using(arguments) q.task_done() foriinxrange(NUM): t=Thread(target=working) t.setDaemon(True) t.start() start=time.time() foriinxrange(JOBS): q.put(i) q.join() print"MultiThreading:" printtime.time()-start 2.. fromthreadingimportThread frommultiprocessing.dummyimportPoolasThreadPool importurllib2 importtime start=time.time() url="http://www.cnblogs.com" urls=[url]*50 pool=ThreadPool(4) results=pool.map(urllib2.urlopen,urls) pool.close() pool.join() print"Map:" printtime.time()-start
关于Python爬虫的基本写法小编就给大家介绍到这里,后续还会持续更细,敬请关注,谢谢!