爬虫 302跳转

http://liluo.org/2010/06/python-%E7%88%AC%E8%99%AB%E5%9F%BA%E6%9C%AC%E7%9F%A5%E8%AF%86/

浪费了一上午
总算搞定了，主要是脑子湖，没有对应的好文章，上面这篇不错

SimpleCD作者有把电驴给山寨了，作者博客http://obmem.com上有一些爬虫介绍，转载来。
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。

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

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，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：
post1
post2
-
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

import urllib

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; 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
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。

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

#这个是工作进程，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，一篇博文是说不完的，这里就不展开了，具体做法请弄本相关教科书好好研究一下。
-
3.事实上有些验证码还是很弱的，这里就不点名了，反正我通过2的方法提取过准确度非常高的验证码，所以2事实上是可行的。

#! /usr/bin/env python
#coding=utf-8
import re
def find_tag_idx(html,tag,count=1):
    """
    查找特征值的位置
    -1,表示没有找到
    html="abcabc"
    print find_tag_idx(html,'e')
    """
    current_count=0
    idx=-1
    start=0
    while(current_count<count):
        idx=html.find(tag,start)
        if idx>-1:
            current_count+=1
            start=idx+len(tag)
        else:
            break
    return idx

def get_part2(html,start,end,start_count=1,end_count=1):
    start_idx=find_tag_idx(html,start,start_count)
    if start_idx==-1:
        return ""
    l=len(start)
    _html=html[start_idx+l:]
    end_idx=find_tag_idx(_html,end,end_count)
    if end_idx==-1:
        return ""
    return _html[:end_idx]

def filter_tags(html,tags=["h1","h2","h3","br","a","b","span","strong","p","hr","strong","p","hr","font","div","td","tr","img","form","table"]):
    result=html
    for elem in tags:
        result=re.sub(r"(?i)<%s[\s\S]*?>"%elem,"",result)
        result=re.sub(r"(?i)</[\s\S]*?%s[\s\S]*?>"%elem,"",result)
    return result

def my_test(url):
    html=urllib2.urlopen(url).read()
    #print html
    print type(html)
    bimg=get_part2(html,'728"','291"')
    #大图

    match = re.search(r"""<img[\s\S]*?src="(?P<img>[\s\S]*?)"[\s\S]*?>[\s\S]*?""", bimg)
    if match:
        bimg=match.group("img")
    print bimg
    host="http://215588.com/gouwu/"
    dict={}
    dict["bigImage"]=host+bimg
    return dict["bigImage"]




str="""
Host: www.215588.com
User-Agent: Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.2.10) Gecko/20100914 Firefox/3.6.10
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
Accept-Language: en-us,en;q=0.5
Accept-Encoding: gzip,deflate
Accept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.7
Keep-Alive: 115
Connection: keep-alive
Referer: http://www.215588.com/gouwu/showproduct.asp?id=592
Cookie: RecentlyGoods=508%2C184%2C592%2C; ASPSESSIONIDACBTTQQD=KHGEPHICJFEOEEPIGAJJNKHI; AJSTAT_ok_times=2; ASPSESSIONIDACCQSQQC=CBKBIEFDAJDHKEMIDIKFMPNM; AJSTAT_ok_pages=1
"""
str=str.strip().replace("\r\n","\n")
headers={}
for elem in str.split("\n"):
    a,b=elem.split(":",1)
    a=a.strip()
    b=b.strip()
    headers[a]=b
    print a,b

print headers

import urllib2


req = urllib2.Request(
    url = 'http://www.215588.com/gouwu/showproduct.asp?id=592',
    headers = headers
)
html = urllib2.urlopen(req).read()


bimg=get_part2(html,'728"','291"')
match = re.search(r"""<img[\s\S]*?src="(?P<img>[\s\S]*?)"[\s\S]*?>[\s\S]*?""", bimg)
if match:
    bimg=match.group("img")
print bimg
host="http://215588.com/gouwu/"
dict={}
dict["bigImage"]=host+bimg

print dict["bigImage"]


req = urllib2.Request(
    url = dict["bigImage"],
    headers = headers
)
html = urllib2.urlopen(req)
print dir(html)
print html.code
print html.url
print html.read()