简单的爬虫，从 html 中提取表格信息 - 开源中国社区
当前访客身份：游客 [
当前位置：
发布于 日 0时,
pycurl&+&pyquery，自动处理&referer&和&cookie
代码片段(1)
crawl_page.py&~&4KB&&&&
#!/usr/bin/env python
#coding=utf8
import urllib
import pycurl
from cStringIO import StringIO
except ImportError:
from StringIO import StringIO
from pyquery import PyQuery as pyq
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
except ImportError:
print && sys.stderr, """\
There was a problem importing one of the Python modules required.
The error leading to this problem was:
Please install a package which provides this module, or
verify that the module is installed correctly.
It's possible that the above module doesn't match the current version of Python,
""" % (sys.exc_info(), sys.version)
sys.exit(1)
__prog__ = "crawl"
__site__ = "http://www.oschina.net/code"
__version__ = "1.0"
class HttpRequest(object):
curl = None
def __init__(self):
self.url = None
self.url_para = None
self.curl = pycurl.Curl()
self.curl.setopt(pycurl.VERBOSE, 0)
self.curl.setopt(pycurl.USERAGENT, 'Miozilla/4.0 ( MSIE 8.0; WindowsNT 6.1)')
self.curl.setopt(pycurl.HEADER, 1)
self.curl.setopt(pycurl.FOLLOWLOCATION, 1)
self.curl.setopt(pycurl.MAXREDIRS, 5)
self.curl.setopt(pycurl.COOKIEFILE, 'cookie.dat')
self.curl.setopt(pycurl.COOKIEJAR, 'cookie.dat')
self.curl.setopt(pycurl.HTTPGET, 1)
self.curl.setopt(pycurl.ENCODING, 'gzip,deflate')
self.curl.setopt(pycurl.CONNECTTIMEOUT, 60)
self.curl.setopt(pycurl.TIMEOUT, 300)
def set_url_para(self, para):
self.url_para = para
url = self.url + para
self.curl.setopt(pycurl.URL, url)
def set_post_para(self, para):
self.curl.setopt(pycurl.POST, 1)
self.curl.setopt(pycurl.POSTFIELDS, urllib.urlencode(para))
def set_cookie(self, cookie):
self.curl.setopt(pycurl.COOKIE, cookie)
def dry_write(self, buf):
def download(self, url, file_path):
dir = os.path.dirname(file_path)
if not os.path.exists(dir):
os.makedirs(dir)
self.curl.setopt(pycurl.URL, url)
self.curl.setopt(pycurl.HEADER, False)
self.curl.setopt(pycurl.HEADERFUNCTION, self.dry_write) #忽略包头信息，否则会写入文件?!
with open(file_path, 'wb') as outfile:
self.curl.setopt(pycurl.WRITEFUNCTION, outfile.write)
self.curl.perform()
except Exception, e:
self.curl.close()
def perform(self, url, referer=''):
assert url, 'url is null!'
self.curl.setopt(pycurl.URL, url)
referer and self.curl.setopt(pycurl.REFERER, referer)
self.buf = StringIO()
self.head = StringIO()
self.curl.setopt(pycurl.WRITEFUNCTION, self.buf.write)
self.curl.setopt(pycurl.HEADERFUNCTION, self.head.write)
self.curl.perform()
self.r = self.buf.getvalue()
self.h = self.head.getvalue()
self.code = self.curl.getinfo(pycurl.HTTP_CODE)
= self.curl.getinfo(pycurl.EFFECTIVE_URL)
self.cookie = self.curl._COOKIELIST)
self.curl.setopt(pycurl.REFERER, ) #AUTO REFERER
except Exception, e:
self.curl.close()
self.buf.close()
self.head.close()
def __del__(self):
self.curl.close()
def get_body(self):
return self.r
def get_head(self):
return self.h
def get_code(self):
return self.code
def get_info(self):
def get_cookie(self):
return self.cookie
if __name__ == '__main__':
asp_range = xrange(1, 10)
page_range = xrange(1, 10)
crawl = HttpRequest()
for i in asp_range:
for j in page_range:
url = '/html/116/s%d.asp?i=1&page=%d' % (i, j)
crawl.perform(url)
doc = pyq(crawl.get_body())
content = doc('.contd')
print content.children('div').eq(0).text()
for tr in content.items('tr'):
print tr.text()
except Exception, e:
开源中国-程序员在线工具：
相关的代码(157)
开源从代码分享开始
amita的其它代码python爬虫抓网页的总结 - 为程序员服务
为程序员服务
python爬虫抓网页的总结
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
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：
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':'/',
'login_submit':'登录'
然后生成http请求，再发送请求：
req = urllib2.Request(
url = '/signin/*//',
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 (W U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/ Firefox/3.5.6'
req = urllib2.Request(
url = '/signin/*//',
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':'/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()
#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)
q.task_done()
#fork NUM个线程等待队列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
#把JOBS排入队列
for i in range(JOBS):
#等待所有JOBS完成
5.验证码的处理
碰到验证码咋办？这里分两种情况处理：
google那种验证码，肉眼看吧
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。
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 gzip/deflate支持
现在的网页普遍支持gzip压缩，这往往可以解决大量传输时间，以VeryCD的主页为例，未压缩版本247K，压缩了以后45K，为原来的1/5。这就意味着抓取速度会快5倍。
然而python的urllib/urllib2默认都不支持压缩，要返回压缩格式，必须在request的header里面写明’accept-encoding’，然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码，很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢？
其实可以继承BaseHanlder类，然后build_opener的方式来处理：
import urllib2
from gzip import GzipFile
from StringIO import StringIO
class ContentEncodingProcessor(urllib2.BaseHandler):
&&&A handler to add gzip capabilities to urllib2 requests &&&
# add headers to requests
def http_request(self, req):
req.add_header(&Accept-Encoding&, &gzip, deflate&)
return req
def http_response(self, req, resp):
old_resp = resp
if resp.headers.get(&content-encoding&) == &gzip&:
gz = GzipFile(
fileobj=StringIO(resp.read()),
resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
resp.msg = old_resp.msg
if resp.headers.get(&content-encoding&) == &deflate&:
gz = StringIO( deflate(resp.read()) )
resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
# 'class to add info() and
resp.msg = old_resp.msg
return resp
# deflate support
import zlib
def deflate(data):
# zlib only provides the zlib compress format, no
# so on top of all there's this workaround:
return zlib.decompress(data, -zlib.MAX_WBITS)
except zlib.error:
return zlib.decompress(data)
然后就简单了，
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
#直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩
content = opener.open(url).read()
更方便地多线程
总结一文的确提及了一个简单的多线程模板，但是那个东东真正应用到程序里面去只会让程序变得支离破碎，不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢？
1、用twisted进行异步I/O抓取
事实上更高效的抓取并非一定要用多线程，也可以使用异步I/O法：直接用twisted的getPage方法，然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干：
from twisted.web.client import getPage
from twisted.internet import reactor
links = [ '/topics/%d/'%i for i in range() ]
def parse_page(data,url):
print len(data),url
def fetch_error(error,url):
print error.getErrorMessage(),url
# 批量抓取链接
for url in links:
getPage(url,timeout=5) \
.addCallback(parse_page,url) \ #成功则调用parse_page方法
.addErrback(fetch_error,url)
#失败则调用fetch_error方法
reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
reactor.run()
twisted人如其名，写的代码实在是太扭曲了，非正常人所能接受，虽然这个简单的例子看上去还好；每次写twisted的程序整个人都扭曲了，累得不得了，文档等于没有，必须得看源码才知道怎么整，唉不提了。
如果要支持gzip/deflate，甚至做一些登陆的扩展，就得为twisted写个新的HTTPClientFactory类诸如此类，我这眉头真是大皱，遂放弃。有毅力者请自行尝试。
这篇讲怎么用twisted来进行批量网址处理的文章不错，由浅入深，深入浅出，可以一看。
2、设计一个简单的多线程抓取类
还是觉得在urllib之类python“本土”的东东里面折腾起来更舒服。试想一下，如果有个Fetcher类，你可以这么调用
f = Fetcher(threads=10) #设定下载线程数为10
for url in urls:
f.push(url)
#把所有url推入下载队列
while f.taskleft(): #若还有未完成下载的线程
content = f.pop()
#从下载完成队列中取出结果
do_with(content) # 处理content内容
这么个多线程调用简单明了，那么就这么设计吧，首先要有两个队列，用Queue搞定，多线程的基本架构也和“技巧总结”一文类似，push方法和pop方法都比较好处理，都是直接用Queue的方法，taskleft则是如果有“正在运行的任务”或者”队列中的任务”则为是，也好办，于是代码如下：
import urllib2
from threading import Thread,Lock
from Queue import Queue
import time
class Fetcher:
def __init__(self,threads):
self.opener = urllib2.build_opener(urllib2.HTTPHandler)
self.lock = Lock() #线程锁
self.q_req = Queue() #任务队列
self.q_ans = Queue() #完成队列
self.threads = threads
for i in range(threads):
t = Thread(target=self.threadget)
t.setDaemon(True)
self.running = 0
def __del__(self): #解构时需等待两个队列完成
time.sleep(0.5)
self.q_req.join()
self.q_ans.join()
def taskleft(self):
return self.q_req.qsize()+self.q_ans.qsize()+self.running
def push(self,req):
self.q_req.put(req)
def pop(self):
return self.q_ans.get()
def threadget(self):
while True:
req = self.q_req.get()
with self.lock: #要保证该操作的原子性，进入critical area
self.running += 1
ans = self.opener.open(req).read()
except Exception, what:
print what
self.q_ans.put((req,ans))
with self.lock:
self.running -= 1
self.q_req.task_done()
time.sleep(0.1) # don't spam
if __name__ == &__main__&:
links = [ '/topics/%d/'%i for i in range() ]
f = Fetcher(threads=10)
for url in links:
f.push(url)
while f.taskleft():
url,content = f.pop()
print url,len(content)
一些琐碎的经验
1、连接池：
opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒钟可以是几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁你的。
然而在正常的html请求时，保持同时和服务器几十个连接又是很正常的一件事，所以完全可以手动维护一个HttpConnection的池，然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动为你维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必装的东东，何必再自找麻烦写连接池呢。
2、设定线程的栈大小
栈大小的设定将非常显著地影响python的内存占用，python多线程不设置这个值会导致程序占用大量内存，这对openvz的vps来说非常致命。stack_size必须大于32768，实际上应该总要32768*2以上
from threading import stack_size
stack_size(32768*16)
3、设置失败后自动重试
def get(self,req,retries=3):
response = self.opener.open(req)
data = response.read()
except Exception , what:
print what,req
if retries&0:
return self.get(req,retries-1)
print 'GET Failed',req
return data
4、设置超时
import socket
socket.setdefaulttimeout(10) #设置10秒后连接超时
登陆更加简化了，首先build_opener中要加入cookie支持，参考“总结”一文；如要登陆VeryCD，给Fetcher新增一个空方法login，并在init()中调用，然后继承Fetcher类并override login方法：
def login(self,username,password):
import urllib
data=urllib.urlencode({'username':username,
'password':password,
'continue':'/',
'login_submit':u'登录'.encode('utf-8'),
'save_cookie':1,})
url = '/signin'
self.opener.open(url,data).read()
于是在Fetcher初始化时便会自动登录VeryCD网站。
如此，把上述所有小技巧都糅合起来就和我目前的私藏最终版的Fetcher类相差不远了，它支持多线程，gzip/deflate压缩，超时设置，自动重试，设置栈大小，自动登录等功能；代码简单，使用方便，性能也不俗，可谓居家旅行，杀人放火，咳咳，之必备工具。
之所以说和最终版差得不远，是因为最终版还有一个保留功能“马甲术”：多代理自动选择。看起来好像仅仅是一个random.choice的区别，其实包含了代理获取，代理验证，代理测速等诸多环节，这就是另一个故事了。
您可能的代码
相关聚客文章
相关专栏文章当前位置：&>&&>&&>&
python代码POST任意的HTTP数据以及使用Cookie的方法
发布时间：编辑：
Python代码POST任意的HTTP数据以及使用Cookie的方法，有需要的朋友可以参考下。
Python代码POST任意的HTTP数据以及使用Cookie的方法，有需要的朋友可以参考下。
1）、不使用Cookie时，发送HTTP POST还是非常简单的:
复制代码 代码如下:
import urllib2, urllib
data = {'name' : 'www', 'password' : '123456'}
f = urllib2.urlopen(
&&&&&&& url&&&& = '/',
&&&&&&& data&&& = urllib.urlencode(data)
print f.read()
2）、使用Cookie时, 代码就变得有些复杂了:&
复制代码 代码如下:
import urllib2
cookies = urllib2.HTTPCookieProcessor()
opener = urllib2.build_opener(cookies)
f = opener.open('/?act=login&name=user01')
data = '&root&Hello&/root&'
request = urllib2.Request(
&&&&&&& url&&&& = '/?act=send',
&&&&&&& headers = {'Content-Type' : 'text/xml'},
&&&&&&& data&&& = data)
opener.open(request)
第一次 open() 是进行登录。返回的 Cookie 被自动保存在 cookies 中，被用在后来的请求。
第二次 open() 用 POST 方法向服务器发送了 Content-Type=text/xml 的数据。如果你不创建一个 Request，而是直接使用 urlopen() 方法，Python 强制把 Content-Type 改为 application/x-www-form-urlencoded。
您可能感兴趣的文章：
与 python代码POST任意的HTTP数据以及使用Cookie的方法 有关的文章
本文标题：
本页链接：
12345678910
12345678910}