您的位置:首页 > 编程语言 > Python开发

Python爬虫的一些总结

2015-10-04 16:44 633 查看


最近写了一些爬虫,总结下遇到过的一些问题.


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)
其他常见搜索引擎:

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
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签:  tornado python 爬虫