查看: 574|回复: 1

[python] Python爬虫编写技巧

 关闭 [复制链接]

该用户从未签到

发表于 2016-6-4 22:15:36 | 显示全部楼层 |阅读模式
以前写过一篇使用python爬虫抓站的一些技巧总结,总结了诸多爬虫使用的方法;那篇东东现在看来还是挺有用的,但是当时很菜(现在也菜,但是比那时进步了不少),很多东西都不是很优,属于”只是能用”这么个层次。这篇进阶篇打算把“能用”提升到“用得省事省心”这个层次。

一、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

  # decode
  def http_response(self, req, resp):
    old_resp = resp
    # gzip
    if resp.headers.get("content-encoding") == "gzip":
        gz = gzipfile(
                    fileobj=stringio(resp.read()),
                    mode="r"
                  )
        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
        resp.msg = old_resp.msg
    # deflate
    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, not the deflate format;
  try:               # 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()

二、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 = [ 'http://www.verycd.com/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=) \
        .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(, 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=) #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


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)
            t.start()
        self.running =

    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 +=
            try:
                ans = self.opener.open(req).read()
            except exception, what:
                ans = ''
                print what
            self.q_ans.put((req,ans))
            with self.lock:
                self.running -=
            self.q_req.task_done()
            time.sleep(0.1) # don't spam

if __name__ == "__main__":
    links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(,) ]
    f = fetcher(threads=)
    for url in links:
        f.push(url)
    while f.taskleft():
        url,content = f.pop()
        print url,len(content)

三、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(*)

3、设置失败后自动重试
    def get(self,req,retries=):
        try:
            response = self.opener.open(req)
            data = response.read()
        except exception , what:
            print what,req
            if retries>:
                return self.get(req,retries-)
            else:
                print 'get failed',req
                return ''
        return data

4、设置超时
    import socket
    socket.setdefaulttimeout() #设置10秒后连接超时

5、登陆
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':'http://www.verycd.com/',
                           'login_submit':u'登录'.encode('utf-8'),
                           'save_cookie':,})
    url = 'http://www.verycd.com/signin'
    self.opener.open(url,data).read()

于是在fetcher初始化时便会自动登录verycd网站。

四、总结
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。

评分

参与人数 1黑豆 +3 收起 理由
sdwzzx + 3 支持楼主,发布更多好的帖子!

查看全部评分

  • TA的每日心情

    2017-4-28 17:18
  • 签到天数: 119 天

    连续签到: 1 天

    [LV.6]常住居民II

    发表于 2016-6-6 10:22:33 | 显示全部楼层
    期待大神的代理获取部分,我现在用的bash shell写的代理获取,代理验证工具,但效率比较低下,也获取不到多少条代理
    您需要登录后才可以回帖 登录 | 注册

    本版积分规则

    站长推荐上一条 /1 下一条