学用python也有3个多月了,用得最多的还是各类爬虫脚本:写过抓代理本机验证的脚本,写过在discuz论坛中自动登录自动发贴的脚本,写过自动收邮件的脚本,写过简单的验证码识别的脚本,本来想写google music的抓取脚本的,结果有了强大的gmbox,也就不用写了。
-
这些脚本有一个共性,都是和web相关的,总要用到获取链接的一些方法,再加上simplecd这个半爬虫半网站的项目,累积不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。
-
1.最基本的抓站
importurllib2content =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。
importurllib2proxy_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
importurllib2,cookielibcookie_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:
-
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
importurllibpostdata=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/signinhttp://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。
fromthreadingimportThreadfromQueueimportQueuefromtimeimportsleep#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foriinrange(NUM): t = Thread(target=working)t.setDaemon(True)t.start()#把JOBS排入队列foriinrange(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。
-
6.总结
基本上我遇到过的所有情况,用以上方法都顺利解决了,不太清楚还有没有其他漏掉的情况,所以本文到这里就完成了,以后要是碰上其他情况,再补充相关方法好了:)
相关推荐
网络各类型网页爬取数据教程,以及源代码,Python格式
python库。 资源全名:spidy_web_crawler-1.6.0-py3-none-any.whl
PythonCrawler-Scrapy-Mysql-File-Template, scrapy爬虫框架模板,将数据保存到Mysql数据库或者文件中。
简单爬虫操作,直达博客——复工复产,利用Python爬虫爬取火车票信息,利用Python 爬虫获取火车票信息
( )\ ) ) ) ( ( (()/( ( ( /( ( /( )\ ( ) ( ( )\ ( ( /(_)))\ ) )\()))\()) ( ( (((_) )( ( /( )\))( ((_) ))\ )( (_)) (()/( (_))/((_)\ )\ )\ ) )\___ (()\ )(_))((_)()\ _ /((_)(()\
python爬虫日常小练习,小项目-python_crawler
# Python_Crawler_Qichacha 基于Python的企查查爬虫,爬取完整的公司数据 -------- 该资源内项目源码是个人的毕设,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! <项目介绍> 1...
python多线程爬虫爬取电影天堂资源,实测效果好
crawlerforSinaweibo_爬虫python_webcrawler_python_weibo_python爬虫_源码
python 编写的DHT Crawler 网络爬虫,抓取DHT网络的磁力链接。 文件 collector.py dht网络爬虫脚本 抓取dht网络的磁力链接,使用 libtorrent 的python绑定库开发。 collectord.py dht爬虫服务监控程序 启动并监控...
简介人生苦短,我用Python!该仓库主要用于存放网络爬虫相关的Python脚本文件。关于网络爬虫的部分代码均放在该仓库下了,感兴趣的小伙伴可以随意进行下载,有问题欢迎学习交流~~a如果你喜欢的话,记得给我个star;...
由于python更新,有些API用法有变,原程序已经不能在新版本中正常运行了。经过本人改进测试,此crawler项目能正常运行。 测试平台: win7 python3.7
Here is a basic Python web crawler code that uses the requests and beautifulsoup4 libraries: This code sends an HTTP request to the specified URL, then uses BeautifulSoup to parse the ...
可以爬取指定微博的爬虫,基于Python语言
Python初学者,自己编写的基于Python的爬虫项目
weibo_crawler-master-pythonpython源码python源码
资源分类:Python库 所属语言:Python 资源全名:lightnovel_crawler-2.7.5-py3-none-any.whl 资源来源:官方 安装方法:https://lanzao.blog.csdn.net/article/details/101784059
python爬虫项目集合-crawler
用python实现的视频采集,附带国内几个知名视频站点的相关信息