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。
1
2
3
4
5
importurllib2
proxy_support=urllib2.ProxyHandler({'http':})
opener=urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content=urllib2.urlopen().read()
3.1`需要登录的情况 cookie 表单
importurllib
postdata=urllib.urlencode({'username':'XXXXX','password':'XXXXX','continueURI':'/','fk':fk,'login_submit':'登录'})
3.2伪装浏览器
importurllib2importrandom
url= ""
#注意是列表
ua_list =["Mozilla/5.0 (Windows NT 6.1; ) Apple....","Mozilla/5.0 (X11; CrOS i686 2268.111.0)..."]#随机选择
user_agent =random.choice(ua_list)
request=urllib2.Request(url)#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("User-Agent", user_agent)#第一个字母大写,后面的全部小写
request.get_header("User-agent")
response=urllib2.urlopen(req)
html=response.read()print html
3.3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:
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。
队列还要加强学习
from threading importThreadfrom Queue importQueuefrom time importsleep#q是任务队列#NUM是并发线程总数#JOBS是有多少任务
q =Queue()
NUM= 2JOBS= 10
#具体的处理函数,负责处理单个任务
defdo_somthing_using(arguments):printarguments#这个是工作进程,负责不断从队列取数据并处理
defworking():whileTrue:
arguments=q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()#fork NUM个线程等待队列
for i inrange(NUM):
t= Thread(target=working)
t.setDaemon(True)
t.start()#把JOBS排入队列
for i inrange(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
6 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?
7. 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。
from twisted.web.client importgetPagefrom twisted.internet importreactor
links= [ '/topics/%d/'%i for i in range(5420,5430) ]defparse_page(data,url):printlen(data),urldeffetch_error(error,url):printerror.getErrorMessage(),url#批量抓取链接
for url inlinks:
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
8. 一些琐碎的经验
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
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()exceptException , what:printwhat,reqif retries>0:return self.get(req,retries-1)else:print 'GET Failed',reqreturn ''
return data
4、设置超时
importsocket
socket.setdefaulttimeout(10) #设置10秒后连接超时
爬虫与浏览器对比
相同点
本质上都是通过 http/https 协议请求互联网数据
不同点
爬虫一般为自动化程序,无需用用户交互,而浏览器不是
运行场景不同;浏览器运行在客户端,而爬虫一般都跑在服务端
能力不同;浏览器包含渲染引擎、javascript 虚拟机,而爬虫一般都不具备这两者。
开源许可证
大概有上百种。很少有人搞得清楚它们的区别。即使在最流行的六种----GPL、BSD、MIT、Mozilla、Apache和LGPL
在Python中,一个.py文件就称之为一个模块
如果不同的人编写的模块名相同怎么办?为了避免模块名冲突,Python又引入了按目录来组织模块的方法,称为包(Package)。(包由很多模块组成,包就是命名空间)
每一个包目录下面都会有一个__init__.py的文件,这个文件是必须存在的,否则,Python就把这个目录当成普通目录,而不是一个包。__init__.py可以是空文件,也可以有Python代码
mycompany #包
├─ __init__.py
├─ abc.py #模块
└─ xyz.py
if __name__ == '__main__'详解
其中if__name__=='__main__':确保服务器只会在该脚本被 Python 解释器直接执行的时候才会运行,而不是作为模块导入的时候。
其中__name__属性的意思:
1、__name__是一个变量。前后加了双下划线是因为是因为这是系统定义的名字。普通变量不要使用此方式命名变量。
2、__name__就是标识模块的名字的一个系统变量。这里分两种情况:假如当前模块是主模块(也就是调用其他模块的模块),那么此模块名字就是__main__,通过if判断这样就可以执行“__mian__:”后面的主函数内容;假如此模块是被import的,则此模块名字为文件名字(不加后面的.py),通过if判断这样就会跳过“__mian__:”后面的内容。
通过上面方式,python就可以分清楚哪些是主函数,进入主函数执行;并且可以调用其他模块的各个函数等等。
神级总结:
one.py
#coding=utf-8
# file one.py
# 在使用自身的时候,就是main,比如你执行:
# python one.py
# 此时在one.py里面的name就是main
# 如果你在two中import one,那么name就是文件名
def func():
print("func() in one.py")
print("top-level in one.py")
if __name__ == "__main__":
print("one.py is being run directly")
else: #其他导入会执行,类似测试吧
print("one.py is being imported into another module")
two.py
#coding=utf-8
# file two.py
import one #导入就会自动执行,知道是当前的还是以前的
print("top-level in two.py")
one.func()
if __name__ == "__main__":
print("two.py is being run directly")
else:
print("two.py is being imported into another module")
所有规范就多写函数,变量别乱放。
转帖致敬:
/sinat_23880167/article/details/80508490
如果觉得《python刷票 黑科技_python 爬虫 黑科技》对你有帮助,请点赞、收藏,并留下你的观点哦!