1、基本抓取网页
get方法
1 import urllib2 2 url = "http://www.baidu.com" 3 response = urllib2.urlopen(url) 4 print response.read()
post方法
1 import urllib 2 import urllib2 3 url = "http://abcde.com" 4 form = {'name':'abc','password':'1234'} 5 form_data = urllib.urlencode(form) 6 request = urllib2.Request(url,form_data) 7 response = urllib2.urlopen(request) 8 print response.read()
2、使用代理IP
在开发爬虫过程中经常会遇到IP被封掉的情况,这时就需要用到代理IP;在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,
如下代码片段:
1 import urllib2 2 proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'}) 3 opener = urllib2.build_opener(proxy) 4 urllib2.install_opener(opener) 5 response = urllib2.urlopen('http://www.baidu.com') 6 print response.read()
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密),python提供了cookielib模块用于处理cookies,cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源.
代码片段:
1 import urllib2, cookielib 2 cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar()) 3 opener = urllib2.build_opener(cookie_support) 4 urllib2.install_opener(opener) 5 content = urllib2.urlopen('http://XXXX').read()
关键在于CookieJar(),它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中,对CookieJar实例进行垃圾回收后cookie也将丢失,所有过程都不需要单独去操作。
手动添加cookie
1 cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg=" 2 request.add_header("Cookie", cookie)
4、伪装成浏览器
某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况
对有些 header 要特别留意,Server 端会针对这些 header 做检查:
1.User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request
2.Content-Type 在使用 REST 接口时,Server 会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现,代码片段如下:
1 import urllib2 2 headers = { 3 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' 4 } 5 request = urllib2.Request( 6 url = 'http://my.oschina.net/jhao104/blog?catalog=3463517', 7 headers = headers 8 ) 9 print urllib2.urlopen(request).read()
5、gzip压缩
有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那说明你还不知道许多web服务具有发送压缩数据的能力,这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务,因为 XML 数据 的压缩率可以很高。但是一般服务器不会为你发送压缩数据,除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码:
1 import urllib2, httplib 2 request = urllib2.Request('http://xxxx.com') 3 request.add_header('Accept-encoding', 'gzip') 1 4 opener = urllib2.build_opener() 5 f = opener.open(request)
这是关键:创建Request对象,添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据
然后就是解压缩数据
1 import StringIO 2 import gzip 3 compresseddata = f.read() 4 compressedstream = StringIO.StringIO(compresseddata) 5 gzipper = gzip.GzipFile(fileobj=compressedstream) 6 print gzipper.read()
6、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的。
虽然说python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能一定程度提高效率的。
1 from threading import Thread 2 3 from Queue import Queue 4 5 from time import sleep 6 7 # q是任务队列 8 9 #NUM是并发线程总数 10 11 #JOBS是有多少任务 12 13 q = Queue() 14 15 NUM = 2 16 17 JOBS = 10 18 19 #具体的处理函数,负责处理单个任务 20 21 def do_somthing_using(arguments): 22 23 print arguments 24 25 #这个是工作进程,负责不断从队列取数据并处理 26 27 def working(): 28 29 while True: 30 31 arguments = q.get() 32 33 do_somthing_using(arguments) 34 35 sleep(1) 36 37 q.task_done() 38 39 #fork NUM个线程等待队列 40 41 for i in range(NUM): 42 43 t = Thread(target=working) 44 45 t.setDaemon(True) 46 47 t.start() 48 49 #把JOBS排入队列 50 51 for i in range(JOBS): 52 53 q.put(i) 54 55 #等待所有JOBS完成 56 57 q.join() 58