1.最基本的抓站

2.使用代理伺服器

這在某些情況下比較有用，比如IP被封了，或者比如IP訪問的次數受到限制等等。

3.需要登錄的情況

登錄的情況比較麻煩我把問題拆分一下：

3.1 cookie的處理

是的沒錯，如果想同時用代理和cookie，那就加入proxy_support然後operner改為

opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

3.2 表單的處理

登錄必要填表，表單怎麼填？首先利用工具截取所要填表的內容。

比如我一般用firefox+httpfox插件來看看自己到底發送了些什麼包

這個我就舉個例子好了，以verycd為例，先找到自己發的POST請求，以及POST表單項：

可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說得先訪問一次網頁，用正則表達式等工具截取返回數據中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有username，password那就很顯然了。

好的，有了要填寫的數據，我們就要生成postdata

然後生成http請求，再發送請求：

3.3 偽裝成瀏覽器訪問

某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求。這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現：

3.4 反」反盜鏈」

某些站點有所謂的反盜鏈設置，其實說穿了很簡單，就是檢查你發送請求的header裡面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網站即可，以黑幕著稱地cnbeta為例：

headers是一個dict數據結構，你可以放入任何想要的header，來做一些偽裝。例如，有些自作聰明的網站總喜歡窺人隱私，別人通過代理訪問，他偏偏要讀取header中的X-Forwarded-For來看看人家的真實IP，沒話說，那就直接把X-Forwarde-For改了吧，可以改成隨便什麼好玩的東東來欺負欺負他，呵呵。

3.5 終極絕招

有時候即使做了3.1-3.4，訪問還是會被據，那麼沒辦法，老老實實把httpfox中看到的headers全都寫上，那一般也就行了。 再不行，那就只能用終極絕招了，selenium直接控制瀏覽器來進行訪問，只要瀏覽器可以做到的，那麼它也可以做到。類似的還有pamie，watir，等等等等。

4.多線程並發抓取

單線程太慢的話，就需要多線程了，這裡給個簡單的線程池模板 這個程序只是簡單地列印了1-10，但是可以看出是並發地。

5.驗證碼的處理

碰到驗證碼咋辦？這裡分兩種情況處理：

google那種驗證碼，涼拌

簡單的驗證碼：字元個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，然後劃分單個字元，劃分好了以後再通過特徵提取的方法(例如PCA)降維並生成特徵庫，然後把驗證碼和特徵庫進行比較。這個比較複雜，一篇博文是說不完的，這裡就不展開了，具體做法請弄本相關教科書好好研究一下。

事實上有些驗證碼還是很弱的，這裡就不點名了，反正我通過2的方法提取過準確度非常高的驗證碼，所以2事實上是可行的。

6 gzip/deflate支持

現在的網頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，以VeryCD的主頁為例，未壓縮版本247K，壓縮了以後45K，為原來的1/5。這就意味著抓取速度會快5倍。

然而python的urllib/urllib2默認都不支持壓縮，要返回壓縮格式，必須在request的header裡面寫明』accept-encoding』，然後讀取response後更要檢查header查看是否有』content-encoding』一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支持gzip, defalte呢？

其實可以繼承BaseHanlder類，然後build_opener的方式來處理：

然後就簡單了，

encoding_support = ContentEncodingProcessor opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler ) #直接用opener打開網頁，如果伺服器支持gzip/defalte則自動解壓縮 content = opener.open(url).read()

7. 更方便地多線程

總結一文的確提及了一個簡單的多線程模板，但是那個東東真正應用到程序裡面去只會讓程序變得支離破碎，不堪入目。在怎麼更方便地進行多線程方面我也動了一番腦筋。先想想怎麼進行多線程調用最方便呢？

1、用twisted進行非同步I/O抓取

事實上更高效的抓取並非一定要用多線程，也可以使用非同步I/O法：直接用twisted的getPage方法，然後分別加上非同步I/O結束時的callback和errback方法即可。例如可以這麼干：

twisted人如其名，寫的代碼實在是太扭曲了，非正常人所能接受，雖然這個簡單的例子看上去還好；每次寫twisted的程序整個人都扭曲了，累得不得了，文檔等於沒有，必須得看源碼才知道怎麼整，唉不提了。

如果要支持gzip/deflate，甚至做一些登陸的擴展，就得為twisted寫個新的HTTPClientFactory類諸如此類，我這眉頭真是大皺，遂放棄。有毅力者請自行嘗試。

這篇講怎麼用twisted來進行批量網址處理的文章不錯，由淺入深，深入淺出，可以一看。

2、設計一個簡單的多線程抓取類

還是覺得在urllib之類python「本土」的東東裡面折騰起來更舒服。試想一下，如果有個Fetcher類，你可以這麼調用

這麼個多線程調用簡單明了，那麼就這麼設計吧，首先要有兩個隊列，用Queue搞定，多線程的基本架構也和「技巧總結」一文類似，push方法和pop方法都比較好處理，都是直接用Queue的方法，taskleft則是如果有「正在運行的任務」或者」隊列中的任務」則為是，也好辦，於是代碼如下：

8. 一些瑣碎的經驗

1、連接池：

opener.open和urllib2.urlopen一樣，都會新建一個http請求。通常情況下這不是什麼問題，因為線性環境下，一秒鐘可能也就新生成一個請求；然而在多線程環境下，每秒鐘可以是幾十上百個請求，這麼干只要幾分鐘，正常的有理智的伺服器一定會封禁你的。

然而在正常的html請求時，保持同時和伺服器幾十個連接又是很正常的一件事，所以完全可以手動維護一個HttpConnection的池，然後每次抓取時從連接池裡面選連接進行連接即可。

這裡有一個取巧的方法，就是利用squid做代理伺服器來進行抓取，則squid會自動為你維護連接池，還附帶數據緩存功能，而且squid本來就是我每個伺服器上面必裝的東東，何必再自找麻煩寫連接池呢。

2、設定線程的棧大小

棧大小的設定將非常顯著地影響python的內存佔用，python多線程不設置這個值會導致程序佔用大量內存，這對openvz的vps來說非常致命。stack_size必須大於32768，實際上應該總要32768*2以上

from threading import stack_size stack_size(32768*16)

3、設置失敗後自動重試

4、設置超時

import socket socket.setdefaulttimeout(10) #設置10秒後連接超時

5、登陸

登陸更加簡化了，首先build_opener中要加入cookie支持，參考「總結」一文；如要登陸VeryCD，給Fetcher新增一個空方法login，並在init()中調用，然後繼承Fetcher類並override login方法：

於是在Fetcher初始化時便會自動登錄VeryCD網站。

9. 總結

如此，把上述所有小技巧都糅合起來就和我目前的私藏最終版的Fetcher類相差不遠了，它支持多線程，gzip/deflate壓縮，超時設置，自動重試，設置棧大小，自動登錄等功能；代碼簡單，使用方便，性能也不俗，可謂居家旅行，殺人放火，咳咳，之必備工具。

之所以說和最終版差得不遠，是因為最終版還有一個保留功能「馬甲術」：多代理自動選擇。看起來好像僅僅是一個random.choice的區別，其實包含了代理獲取，代理驗證，代理測速等諸多環節，這就是另一個故事了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！