快捷導(dǎo)航

詳解Python爬蟲的基本寫法

更新時間：2016年01月08日 09:31:16 作者：jerrylsxu

這篇文章主要介紹了詳解Python爬蟲的基本寫法的相關(guān)資料,需要的朋友可以參考下

什么是爬蟲

爬蟲，即網(wǎng)絡(luò)爬蟲，大家可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會抓取下來。想抓取什么？這個由你來控制它咯。

比如它在抓取一個網(wǎng)頁，在這個網(wǎng)中他發(fā)現(xiàn)了一條道路，其實就是指向網(wǎng)頁的超鏈接，那么它就可以爬到另一張網(wǎng)上來獲取數(shù)據(jù)。這樣，整個連在一起的大網(wǎng)對這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。

1.最基本的抓站

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

2.使用代理服務(wù)器

這在某些情況下比較有用，比如IP被封了，或者比如IP訪問的次數(shù)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.需要登錄的情況

登錄的情況比較麻煩我把問題拆分一下：

3.1.cookie的處理

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()

是的沒錯，如果想同時用代理和cookie，那就加入proxy_support然后operner改為

opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

3.2 表單的處理

登錄必要填表，表單怎么填？首先利用工具截取所要填表的內(nèi)容
比如我一般用firefox+httpfox插件來看看自己到底發(fā)送了些什么包
這個我就舉個例子好了，以verycd為例，先找到自己發(fā)的POST請求，以及POST表單項：

可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項，其中fk是隨機(jī)生成的（其實不太隨機(jī)，看上去像是把epoch時間經(jīng)過簡單的編碼生成的），需要從網(wǎng)頁獲取，也就是說得先訪問一次網(wǎng)頁，用正則表達(dá)式等工具截取返回數(shù)據(jù)中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有username，password那就很顯然了。

好的，有了要填寫的數(shù)據(jù)，我們就要生成postdata

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

然后生成http請求，再發(fā)送請求：

req = urllib2.Request(
url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
data = postdata
)
result = urllib2.urlopen(req).read()

3.3 偽裝成瀏覽器訪問

某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求

這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現(xiàn)

#…
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”反盜鏈”

某些站點有所謂的反盜鏈設(shè)置，其實說穿了很簡單，就是檢查你發(fā)送請求的header里面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網(wǎng)站即可，以黑幕著稱地cnbeta為例：

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

headers是一個dict數(shù)據(jù)結(jié)構(gòu)，你可以放入任何想要的header，來做一些偽裝。例如，有些自作聰明的網(wǎng)站總喜歡窺人隱私，別人通過代理訪問，他偏偏要讀取header中的X-Forwarded-For來看看人家的真實IP，沒話說，那就直接把X-Forwarde-For改了吧，可以改成隨便什么好玩的東東來欺負(fù)欺負(fù)他，呵呵。

3.5 終極絕招

有時候即使做了3.1-3.4，訪問還是會被據(jù)，那么沒辦法，老老實實把httpfox中看到的headers全都寫上，那一般也就行了。
再不行，那就只能用終極絕招了，selenium直接控制瀏覽器來進(jìn)行訪問，只要瀏覽器可以做到的，那么它也可以做到。類似的還有pamie，watir，等等等等。

4.多線程并發(fā)抓取

print time.time()-start
1..
from threading import Thread
from Queue import Queue
from time import sleep
import urllib2
import time
q = Queue()
NUM = 10
JOBS = 50
def do_somthing_using(p):
response = urllib2.urlopen('http://www.cnblogs.com')
result = response.read()
#print p
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
q.task_done()
for i in xrange(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
start = time.time()
for i in xrange(JOBS):
q.put(i)
q.join()
print "MultiThreading:"
print time.time()-start
2..
from threading import Thread
from multiprocessing.dummy import Pool as ThreadPool
import urllib2
import time
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:"
print time.time()-start

關(guān)于Python爬蟲的基本寫法小編就給大家介紹到這里，后續(xù)還會持續(xù)更細(xì)，敬請關(guān)注，謝謝！

您可能感興趣的文章: