文章来源:http://blog.csdn.net/sding/article/details/6214207

http://obmem.info/?p=476

1.最基本的抓站

  1. import urllib2
  2. 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. import urllib2
  2. proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
  3. opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
  4. urllib2.install_opener(opener)
  5. 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

  1. import urllib2, cookielib
  2. cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
  3. opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
  4. urllib2.install_opener(opener)
  5. 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

  1. 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

  1. import urllib
  2. 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:

  1. req = urllib2.Request( url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/', data = postdata )
  2. 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
#…

  1. 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' }
  2. 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:

#...
  1. 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。

  1. from threading import Thread
  2. from Queue import Queue
  3. from time import sleep
  4. #q是任务队列
  5. #NUM是并发线程总数
  6. #JOBS是有多少任务
  7. q = Queue()
  8. NUM = 2
  9. JOBS = 10
  10. #具体的处理函数,负责处理单个任务
  11. def do_somthing_using(arguments):
  12.     print arguments
  13. #这个是工作进程,负责不断从队列取数据并处理
  14. def working():
  15.     while True:
  16.         arguments = q.get()
  17.         do_somthing_using(arguments)
  18.         sleep(1)
  19.         q.task_done()

  20. #fork NUM个线程等待队列
  21. for i in range(NUM):
  22.     t = Thread(target=working)
  23.     t.setDaemon(True)
  24.     t.start()
  25. #把JOBS排入队列
  26. for i in range(JOBS):
  27.     q.put(i)
  28. #等待所有JOBS完成
  29. q.join()
10-16 05:13