0
回答
使用python爬虫抓站的一些技巧总结:进阶篇
开发十年,就只剩下这套Java开发体系了   

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:

 

Python

 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

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,

 

Python

 

1

2

3

4

5

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:

 

Python

 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

from twisted.web.client import getPage

from twisted.internet import reactor

 

 

 

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。

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

 

Python

 

1

2

3

4

5

6

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:

 

Python

 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

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__":

 

    f = Fetcher(threads=10)

    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

 

Python

 

1

2

from threading import stack_size

stack_size(32768*16)

3、设置失败后自动重试

 

Python

 

1

2

3

4

5

6

7

8

9

10

11

12

    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

 

Python

 

1

2

    import socket

    socket.setdefaulttimeout(10) #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:

 

Python

 

1

2

3

4

5

6

7

8

9

def login(self,username,password):

    import urllib

    data=urllib.urlencode({'username':username,

                           'password':password,

                           'continue':'网页链接,

                           'login_submit':u'登录'.encode('utf-8'),

                           'save_cookie':1,})

    url = '网页链接

    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。

学好python你需要一个良好的环境,一个优质的开发交流群,群里都是那种相互帮助的人才是可以的,我有建立一个python学习交流群,在群里我们相互帮助,相互关心,相互分享内容,这样出问题帮助你的人就比较多,群号是301,还有056,最后是051,这样就可以找到大神聚合的群,如果你只愿意别人帮助你,不愿意分享或者帮助别人,那就请不要加了,你把你会的告诉别人这是一种分享。如果你看了觉得还可以的麻烦给我点个赞谢谢
 

<无标签>
举报
铁扇公主1
发帖于2年前 0回/90阅
顶部