Python で Web サイトをクロールするための実践的なヒント

前書き

これらはすべて Web に関連するものであり、Web サイトのクロールで多くの経験を積んできました。将来的には同じことを繰り返す必要はありません。

1. 最も基本的なサイトの取得

2. プロキシサーバーを使用します

IP がブロックされている場合や IP アクセスなどの場合には、これがより便利です回数制限があるなど。

import urllib2
content = urllib2.urlopen('http://XXXX').read()

3. ログインが必要な状況

ログインの状況はさらに厄介です: 3.1 Cookie の処理

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()

はい、その通りです。プロキシと Cookie を同時に使用したい場合は、

を追加して

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()

proxy_support然后operner

3.2 フォーム処理

のフォームに記入する必要があります。ログイン、フォームに記入するにはどうすればよいですか?まず、ツールを使用して、入力するフォームのコンテンツを傍受します。

たとえば、私は通常、どのようなパッケージを送信したかを確認するために firefox+httpfox プラグインを使用します

verycd を例に挙げて、まず送信した POST リクエストと POST フォーム項目を見つけます。

verycdが表示される場合は、

username、password、 continueURI、fk、login_submit

を入力する必要があります。このうちfkはランダムに生成されます(実際にはそれほどランダムではなく、エポックタイムは単純なエンコードによって生成されているようです) ) は Web ページから取得する必要があります。つまり、最初に Web ページにアクセスし、正規表現などのツールを使用して、返されたデータ内の fk 項目をインターセプトする必要があります。

ContinueURIはその名の通り気軽に書けるのに対し、login_submitは固定なのがソースコードからも分かります。そしてユーザー名、パスワードは一目瞭然です。

それでは、データを入力したら、postdata を生成する必要があります

opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

次に、http リクエストを生成して、リクエストを送信します:

import urllib
postdata=urllib.urlencode({
 'username':'XXXXX',
 'password':'XXXXX',
 'continueURI':'http://www.verycd.com/',
 'fk':fk,
 'login_submit':'登录'
})

3.3 ブラウザアクセスとして偽装します

一部の Web サイトはクローラーの訪問を嫌うため、クローラーからのリクエストを拒否します。現時点では、ブラウザとして偽装する必要があります。これは、http パッケージのヘッダーを変更することで実現できます:

req = urllib2.Request(
 url = 'http://secure.verycd.com/signin/*/http://www.php.cn/',
 data = postdata
)
result = urllib2.urlopen(req).read()

3.4 アンチ「アンチホットリンク」

一部のサイトには、いわゆる実際、アンチホットリンク設定は、リクエストを送信するヘッダー内のリファラーサイトが自分のものであるかどうかを確認するだけなので、ヘッダーのリファラーを変更するだけです。 3.3 のようなウェブサイト。例として、有名な怪しげな cnbeta を取り上げます。

headers = {
 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
}
req = urllib2.Request(
 url = 'http://secure.verycd.com/signin/*/http://www.php.cn/',
 data = postdata,
 headers = headers
)

headers は dict データ構造で、偽装したいヘッダーを置くことができます。たとえば、一部のスマートな Web サイトは、誰かがプロキシ経由でアクセスすると、ヘッダーの X-Forwarded-For を読み取り、その人の実際の IP を確認します。何も言うことがなければ、そのまま入力します。 X-Forwarded-For 変更してください、彼をいじめていじめるのに楽しいものに変更できます（笑）。

3.5 究極のトリック

3.1 ～ 3.4 を実行してもアクセスがブロックされる場合があるため、httpfox に表示されるすべてのヘッダーを書き留めるだけで、通常は問題ありません。 それが機能しない場合は、ブラウザーが実行できる限り、Selenium がブラウザーを直接制御してアクセスすることもできます。同様のものにはパミエ、ワティルなどがあります。

4. マルチスレッド同時クロール

単一スレッドが遅すぎる場合は、マルチスレッドが必要です。このプログラムは単純に 1 ～ 10 を出力しますが、「はい」が表示されます。同時に。

headers = {
 'Referer':'http://www.cnbeta.com/articles'
}

5. 確認コードの対処方法

確認コードが表示された場合はどうすればよいですか?ここで対処すべき状況は 2 つあります: 1. Google のような確認コード、クールです 2. 単純な確認コード: 文字数が制限されており、歪みのない単純な変換または回転とノイズのみが使用されます。検証コードはまだ残っていますが、一般的には回転させてノイズを除去し、分割が完了したら特徴抽出手法 (PCA など) を使用して個々の文字を分割します。次元を削減して特徴ライブラリを生成し、検証コードと特徴ライブラリを結合します。これは非常に複雑であり、1 つのブログ記事では説明できないため、ここでは詳しく説明しません。具体的な方法については、関連する教科書を入手してください。

実際、いくつかの検証コードはまだ非常に弱いので、ここでは名前を付けません。とにかく、方法 2 で非常に高い精度で検証コードを抽出できたので、2 は実際に実行可能です。

6 gzip/deflate のサポート

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()

7. 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(5420,5430) ]
 
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。

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)
   t.start()
  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
   try:
    ans = self.opener.open(req).read()
   except Exception, what:
    ans = ''
    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 = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]
 f = Fetcher(threads=10)
 for url in links:
  f.push(url)
 while f.taskleft():
  url,content = f.pop()
  print url,len(content)

8. 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):
  try:
   response = self.opener.open(req)
   data = response.read()
  except Exception , what:
   print what,req
   if retries>0:
    return self.get(req,retries-1)
   else:
    print 'GET Failed',req
    return ''
  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，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':1,})
 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。

9. 总结

如此，以上就是总结Python で Web サイトをクロールするための実践的なヒント的全部内容了，本文内容代码简单，使用方便，性能也不俗，相信对各位使用python有很大的帮助。

更多Python で Web サイトをクロールするための実践的なヒント相关文章请关注PHP中文网！