Python爬虫的一些总结
2015-10-04 16:44
633 查看
常用库:
抓取网页: 常用的有requests, urllib.解析: BeautifulSoup, lxml, re.
框架: scrapy, pyspier.
url去重: bloomfilter
图片处理: Pillow
OCR: Tesseract,google的一个ocr库。
代理: 代理Tor, PySocks
如何异步爬取?
可以使用grequests库,或者对于简单的爬虫,tornado文档有个demo,稍微改下自己用。一个简单的异步爬虫类:
import time from datetime import timedelta from tornado import httpclient, gen, ioloop, queues class AsySpider(object): def __init__(self, urls, concurrency): self.urls = urls self.concurrency = concurrency self._q = queues.Queue() self._fetching = set() self._fetched = set() def handle_page(self, url, html): print(html) @gen.coroutine def get_page(self, url): try: response = yield httpclient.AsyncHTTPClient().fetch(url) print('######fetched %s' % url) except Exception as e: print('Exception: %s %s' % (e, url)) raise gen.Return('') raise gen.Return(response.body) @gen.coroutine def _run(self): @gen.coroutine def fetch_url(): current_url = yield self._q.get() try: if current_url in self._fetching: return print('fetching****** %s' % current_url) self._fetching.add(current_url) html = yield self.get_page(current_url) self._fetched.add(current_url) self.handle_page(current_url, html) for i in range(self.concurrency): if self.urls: yield self._q.put(self.urls.pop()) finally: self._q.task_done() @gen.coroutine def worker(): while True: yield fetch_url() self._q.put(self.urls.pop()) # Start workers, then wait for the work queue to be empty. for _ in range(self.concurrency): worker() yield self._q.join(timeout=timedelta(seconds=300)) assert self._fetching == self._fetched def run(self): io_loop = ioloop.IOLoop.current() io_loop.run_sync(self._run) def main(): urls = ['http://www.baidu.com'] * 100 s = AsySpider(urls, 10) s.run() if __name__ == '__main__': main()
如何模拟成浏览器?
使用requests库可以很方便的给请求加上header,具体可以参考requests的文档。
如何提交表单?模拟登录
一般是查找html源代码找到form,然后看form提交的地址,就可以直接使用requests的post方法提交数据。另外requests还有个Session模块,使用起来很方便。
有些网站如果是需要登录的,我们可以直接把登录后自己的cookies复制下来,直接作为requests的cookies参数传进去。
如何模拟成搜索引擎?
123456 | # 模仿百度蜘蛛# 模拟成搜索引擎只需要改下header的User-Agent,比如模拟百度爬虫:headers = { 'User-Agent': 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)',}r = requests.get(url, headers=headers) |
360Spider:
Mozilla/5.0+(compatible;+MSIE+9.0;+Windows+NT+6.1;+Trident/5.0);+360Spider
Sogouspider:
Sogou+web+spider/4.0(+http://www.sogou.com/docs/help/webmasters.htm#07)
如何抓取手机app的内容?
手机内容一般通过发送请求使用json等数据格式通信,所以可以使用抓包软件fiddle等来抓取请求,分析请求来源,之后就可以模拟发送请求抓取数据。抓包也可以使用mitmproxy,一个python开发的强大的代理软件,只需要用命令行启动mitmproxy,之后将手机wifi
代理更改成为电脑的ip和mitmproxy启动时指定的端口号,就可以看到app发送的请求了。接下来要做的就是仔细过滤请求,看看需要的
信息是通过什么请求发送的,我们就可以直接使用requests手工模拟获取数据了。
碰到验证码怎么办?
上边提到过一个OCR库Tesseract, 简单的验证码可以使用这个命令行工具搞定.
遇到动态生成的内容怎么办?
一种方法是打开浏览器的开发者工具,追踪到浏览器发送的请求,然后直接模拟。还有一种方法是Selenium+PhantomJs库,具体可以参考网上的教程或者附录参考书。
Ref
Web Scraping with Python
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- 爬虫笔记
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- Python 进程管理工具 Supervisor 使用教程