【转】Python使用urllib2写爬虫抓站的一些技巧

1.最基本的抓站

import urllib2 
content = urllib2.urlopen('http://XXXX').read()

2.使用代理服务器

这在某些状况下比较有用，好比IP被封了，或者好比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.须要登陆的状况

登陆的状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，若是想同时用代理和cookie，那就加入proxy_support而后operner改成 opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

3.2 表单的处理

登陆必要填表，表单怎么填？首先利用工具截取所要填表的内容 好比我通常用firefox+httpfox插件来看看本身到底发送了些什么包 这个我就举个例子好了，以verycd为例，先找到本身发的POST请求，以及POST表单项：

能够看到verycd的话须要填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时间通过简单的编码生成的），须要从网页获取，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顾名思义能够随便写，login_submit是固定的，这从源码能够看出。还有username，password那就很显然了。 好的，有了要填写的数据，咱们就要生成postdata

import urllib 
postdata=urllib.urlencode({'username':'XXXXX', 'password':'XXXXX', 'continueURI':'http://www.verycd.com/',  'fk':fk,  'login_submit':'登陆'})

而后生成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 假装成浏览器访问

某些网站反感爬虫的到访，因而对爬虫一概拒绝请求 这时候咱们须要假装成浏览器，这能够经过修改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站点是否是他本身，因此咱们只须要像3.3同样，把headers的referer改为该网站便可，以黑幕著称地cnbeta为例：

headers = { 'Referer':'http://www.cnbeta.com/articles' }

3.5 终极绝招

有时候即便作了3.1-3.4，访问仍是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那通常也就好了。

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，只要浏览器能够作到的，那么它也能够作到。相似的还有pamie，watir，等等等等。

4.多线程并发抓取

单线程太慢的话，就须要多线程了，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，可是能够看出是并发地。

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 #这个是工做进程，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) #等待全部JOBS完成 
    q.join()