http://liluo.org/2010/06/python-%E7%88%AC%E8%99%AB%E5%9F%BA%E6%9C%AC%E7%9F%A5%E8%AF%86/
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
-
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。
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) |
urllib2.install_opener(opener) |
-
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) |
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
postdata=urllib.urlencode({ |
-
然后生成http请求，再发送请求：
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
#…
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' |
-
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 |
def do_somthing_using(arguments): |
do_somthing_using(arguments) |
t = Thread(target=working) |
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()
用了fiddler不好用，没怎么用起来，还是用live http header 最好搞定了，
