[精品资料]用python爬虫抓站的一些技巧总结___observer专栏杂记.pdf

用python爬虫抓站的一些技巧总结 Posted on December 26, 2009 by observer 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 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 observer专栏杂记 建站编程杂记 2011/4/4 用python爬虫抓站的一些技巧总结 | ob… /?p=476 1/7 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:/, fk:fk, 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() 2011/4/4 用python爬虫抓站的一些技巧总结 | ob… /?p=476 2/7 - 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:) GeckoFirefox/3.5.6 } req = urllib2.Request( url =