用python爬虫抓站的一些技巧总结
学用python也有3个多月了，用得最多的还是各类爬虫脚本：写过抓代理本机验证的脚本，写过在discuz论坛中自动登录自动发贴的脚本，写过自动收邮件的脚本，写过简单的验证码识别的脚本，本来想写google music的抓取脚本的，结果有了强大的gmbox，也就不用写了。
这些脚本有一个共性，都是和web相关的，总要用到获取链接的一些方法，再加上simplecd这个半爬虫半网站的项目，累积不少爬虫抓站的经验，在此总结一下，那么以后做东西也就不用重复劳动了。
1.最基本的抓站
| 12 | import urllib2content = urllib2.urlopen(\’http://XXXX\’).read() |
2.使用代理服务器
这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。
| 12345 | import urllib2proxy_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() |
3.需要登录的情况
登录的情况比较麻烦我把问题拆分一下：
3.1 cookie的处理
| 12345 | import urllib2, cookielibcookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)urllib2.install_opener(opener)content = urllib2.urlopen(\’http://XXXX\’).read() |
是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为
| 1 | opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler) |
3.2 表单的处理
登录必要填表，表单怎么填？首先利用工具截取所要填表的内容。
比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包
这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。
好的，有了要填写的数据，我们就要生成postdata
| 12345678 | import urllibpostdata=urllib.urlencode({ \’username\’:\’XXXXX\’, \’password\’:\’XXXXX\’, \’continueURI\’:\’http://www.verycd.com/\’, \’fk\’:fk, \’login_submit\’:\’登录\’}) |
然后生成http请求，再发送请求：
| 12345 | req = urllib2.Request( url = \’http://secure.verycd.com/signin/*/http://www.verycd.com/\’, data = postdata)result = urllib2.urlopen(req).read() |
3.3 伪装成浏览器访问
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现：
| 12345678 | 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.verycd.com/\’,ass=\”crayon-sy\”>( url = \’http://secure.verycd.com/signin/*/http://www.verycd.com/\’,ollow\”>gmbox，也就不用写了。
这些脚本有一个共性，都是和web相关的，总要用到获取链接的一些方法，再加上simplecd这个半爬虫半网站的项目，累积不少爬虫抓站的经验，在此总结一下，那么以后做东西也就不用重复劳动了。 1.最基本的抓站
2.使用代理服务器这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。
3.需要登录的情况登录的情况比较麻烦我把问题拆分一下： 3.1 cookie的处理
3.2 表单的处理登录必要填表，表单怎么填？首先利用工具截取所要填表的内容。 比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包 这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。 好的，有了要填写的数据，我们就要生成postdata
然后生成http请求，再发送请求：
3.3 伪装成浏览器访问某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现：
|