python 用urllib2抓取网页和发布（登录或发布文章）的基本操作

旧城等待， 2022-05-15 06:19 97阅读 0赞

## python 用urllib2抓取网页和发布（登录或发布文章）的基本操作 ##

2011年6月19日 [admin][] [发表评论][Link 1] [阅读评论][Link 2]

1.最基本的抓取网页

import urllib2  
content = urllib2.urlopen(‘[http://XXXX’).read(][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。

import urllib2  
proxy\_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(][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

import urllib2, cookielib  
cookie\_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())  
opener = urllib2.build\_opener(cookie\_support, urllib2.HTTPHandler)  
urllib2.install\_opener(opener)  
content = urllib2.urlopen(‘[http://XXXX’).read(][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 = 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：  
post1  
post2  
.  
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

import urllib  
postdata=urllib.urlencode(\{  
‘username’:'XXXXX’,  
‘password’:'XXXXX’,  
‘continueURI’:'[http://www.verycd.com/’][http_www.verycd.com],  
‘fk’:fk,  
‘login\_submit’:'登录’  
\})  
…

然后生成http请求，再发送请求：

req = urllib2.Request(  
url = ‘[http://secure.verycd.com/signin/\*/http://www.verycd.com/’][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  
\#…

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/’][http_secure.verycd.com_signin_http_www.verycd.com],  
data = postdata,  
headers = headers  
)  
\#…  
\-  
3.4 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3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：

\#…  
headers = \{  
‘Referer’:'[http://www.cnbeta.com/articles’][http_www.cnbeta.com_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。

3.5 终极绝招  
有时候即使做了3.1-3.4，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。  
再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。

4.多线程并发抓取  
单线程太慢的话，就需要多线程了，这里给个简单的线程池模板  
这个程序只是简单地打印了1-10，但是可以看出是并发地。

<table> 
 <tbody> 
  <tr> 
   <td><code>01</code></td> 
   <td><code>from</code> <code>threading </code><code>import</code> <code>Thread</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>02</code></td> 
   <td><code>from</code> <code>Queue </code> <code>import</code> <code>Queue</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>03</code></td> 
   <td><code>from</code> <code>time </code> <code>import</code> <code>sleep</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>04</code></td> 
   <td><code>#q是任务队列</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>05</code></td> 
   <td><code>#NUM是并发线程总数</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>06</code></td> 
   <td><code>#JOBS是有多少任务</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>07</code></td> 
   <td><code>q </code><code>=</code> <code> Queue()</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>10</code></td> 
   <td><code>#具体的处理函数，负责处理单个任务</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>11</code></td> 
   <td><code>def</code> <code>do_somthing_using(arguments):</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>12</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>print</code> <code>arguments</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>13</code></td> 
   <td><code>#这个是工作进程，负责不断从队列取数据并处理</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>14</code></td> 
   <td><code>def</code> <code>working():</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>15</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>while</code> <code>True</code><code>:</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>16</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>arguments </code><code>=</code> <code>q.get()</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>17</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>do_somthing_using(arguments)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>18</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>sleep(</code><code>1</code><code>)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>20</code></td> 
   <td><code>#fork NUM个线程等待队列</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>21</code></td> 
   <td><code>for</code> <code>i </code> <code>in</code> <code>range</code><code>(NUM):</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>22</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>t </code> <code>=</code> <code>Thread(target</code><code>=</code><code>working)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>23</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>t.setDaemon(</code><code>True</code><code>)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>24</code></td> 
   <td><code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>t.start()</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>25</code></td> 
   <td><code>#把JOBS排入队列</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>26</code></td> 
   <td><code>for</code> <code>i </code> <code>in</code> <code>range</code><code>(JOBS):</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>28</code></td> 
   <td><code>#等待所有JOBS完成</code></td> 
  </tr> 
 </tbody> 
</table>

5.验证码的处理  
碰到验证码咋办？这里分两种情况处理：  
\-  
1.google那种验证码，凉拌  
\-  
2.简单的验证码：字符个数有限，只使用了简单的平移或旋转加噪音而没有扭曲的，这种还是有可能可以处理的，一般思路是旋转的转回来，噪音去掉，然后划分 单个字符，划分好了以后再通过特征提取的方法(例如PCA) 降维并生成特征库，然后把验证码和特征库进行比较。这个比较复杂，一篇博文是说不完的，这里就不展开了，具体做法请弄本相关教科书好好研究一下。  
\-  
3.事实上有些验证码还是很弱的，这里就不点名了，反正我通过2的方法提取过准确度非常高的验证码，所以2事实上是可行的。

[admin]: http://justpy.com/archives/author/admin
[Link 1]: http://justpy.com/archives/88#respond
[Link 2]: http://justpy.com/archives/88#comments
[http_XXXX_.read]: http://XXXX%E2%80%99%29.read%28
[http_www.verycd.com]: http://www.verycd.com/%E2%80%99
[http_secure.verycd.com_signin_http_www.verycd.com]: http://secure.verycd.com/signin/*/http://www.verycd.com/%E2%80%99
[http_www.cnbeta.com_articles]: http://www.cnbeta.com/articles%E2%80%99