python3爬虫总结(共4篇)
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googlemusic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 importurllib2 content=('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。 importurllib2 proxy_support= ({'http':'http://:XXXX'}) opener=_opener(proxy_support,)_opener(opener) content=('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: - cookie的处理 importurllib2,cookielib cookie_support=(())opener=_opener(cookie_support,)_opener(opener) content=('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 opener=_opener(proxy_support,cookie_support,) - 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,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 importurllib postdata=({ 'username':'XXXXX', 'password':'XXXXX', 'continueURI':'/', 'fk':fk, 'login_submit':'登录' }) - 然后生成http请求,再发送请求: req=( url='http:///signin/*//',data=postdata ) result=(req).read() - 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#… headers={ 'User-Agent':'Mozilla/(Windows;U;WindowsNT;en-US;rv:)Gecko/XX1201Firefox/' } req=( url='http:///signin/*//',data=postdata, headers=headers ) #… - 反”反盗链” 某些站点有所谓的反盗链设置,其实说穿了很简单,就是检查你发送请求的header里面,referer站点是不是他自己,所以我们只需要像一样,把headers的referer改成该网站即可,以黑幕著称地cnbeta为例: #… headers={ 'Referer':'/articles' } #… headers是一个dict数据结构,你可以放入任何想要的header,来做一些伪装。例如,有些自作聪明的网站总喜欢窥人隐私,别人通过代理访问,他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP,没话说,那就直接把X-Forwarde-For改了吧,可以改成随便什么好玩的东东来欺负欺负他,呵呵。- 终极绝招
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试