开发记录_自学Python写爬虫程序爬取csdn个人博客信息

每天刷开csdn的博客，看到一整个页面，其实对我而言，我只想看看访问量有没有上涨而已...

于是萌生了一个想法：

想写一个爬虫程序把csdn博客上边的访问量和评论数都爬下来。

打算通过网络各种搜集资料，自学写Python代码。

这次自学的历程，也打算及时的整理下来，发布在博客里。

/******************这是程序员风格的分割线******************/

2013.11.3_开工

据说Python并不难，看过了python的代码之后也觉得确实，

代码很清爽，相比起C/C++，JS，PHP来讲，python的代码看起来就是舒服。

看了几段别人的爬虫程序教程，还不太清楚Python的编译器是怎么处理代码的。

每一句代码的分割似乎是通过换行，

像是if/else这样的多个语句在一起的，也没有看到大括号，而是像这样：

1. <span style="font-size:18px;">import urllib, urllister
2. def getURL(url):
3. try:
4. usock = urllib.urlopen(url)
5. except:
6. print 'get url excepton'
7. return []
8. parser = urllister.URLLister()
9. parser.feed(usock.read())
10. usock.close()
11. parser.close()
12. urls = parser.urls
13. return urls</span>

对于函数的定义，只要def就好了。

变量的申明只需要在用的时候起个名字就好了，不用规定int, char, float....

我是一个从C语言转学来的乡下孩子..这么高端洋气上档次的定义方式真是惊了个呆。

于是瞬间对Python好感倍增。

看了很多人的爬虫教程，以及代码，还是没什么思路，今天没空了，等明天上手试试看。

2013.11.4_第一步大功告成

不错不错，今天试了试网上的教程，成功的把我的博客主页抓下来了。

中间还遇上些坎坷，不过先感谢一下

月语凋凌 在他的百度空间 Endless Road 里转载的博客

用python爬虫抓站的一些技巧总结

据月语凋凌所说转自  http://gae-django-cms.appspot.com  不过我这里似乎打不开这个网页..

这篇文章真心的帮到了大忙，虽然小小吐槽一下排版不好..

在这里系统的学到了Python爬虫的入门部分。

这位博主请不要介意，我在这里帮你整理一下缩进，再整理一下代码方便大家吧~

<--注意：一直到下一个此类似标记前的内容，均转自月语凋凌 的博客用python爬虫抓站的一些技巧总结，我只是做了整理-->

原文转自http://gae-django-cms.appspot.com/

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

1. <span style="font-size:18px;">import urllib2
2. content = urllib2.urlopen('http://XXXX').read()</span>

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。

1. <span style="font-size:18px;">import urllib2
2. proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
3. opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
4. urllib2.install_opener(opener)
5. content = urllib2.urlopen('http://XXXX').read()</span>

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

1. <span style="font-size:18px;">import urllib2, cookielib
2. cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
3. opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
4. urllib2.install_opener(opener)
5. content = urllib2.urlopen('http://XXXX').read()</span>

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. <span style="font-size:18px;">opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)</span>

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

1. <span style="font-size:18px;">import urllib
2. postdata=urllib.urlencode({
3. 'username':'XXXXX',
4. 'password':'XXXXX',
5. 'continueURI':'http://www.verycd.com/',
6. 'fk':fk,
7. 'login_submit':'登录'
8. })</span>

然后生成http请求，再发送请求：

1. <span style="font-size:18px;">req = urllib2.Request(
2. url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
3. data = postdata)
4. result = urllib2.urlopen(req).read()</span>

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

1. <span style="font-size:18px;">headers = {
2. 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
3. }
4. req = urllib2.Request(
5. url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
6. data = postdata,
7. headers = headers
8. )</span>

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：

1. <span style="font-size:18px;">#...
2. headers = {
3. 'Referer':'http://www.cnbeta.com/articles'
4. }
5. #...</span>

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。

1. <span style="font-size:18px;">from threading import Thread
2. from Queue import Queue
3. from time import sleep
4. #q是任务队列
5. #NUM是并发线程总数
6. #JOBS是有多少任务
7. q = Queue()
8. NUM = 2
9. JOBS = 10
10. #具体的处理函数，负责处理单个任务
11. def do_somthing_using(arguments):
12. print arguments
13. #这个是工作进程，负责不断从队列取数据并处理
14. def working():
15. while True:
16. arguments = q.get()
17. do_somthing_using(arguments)
18. sleep(1)
19. q.task_done()
20. #fork NUM个线程等待队列
21. for i in range(NUM):
22. t = Thread(target=working)
23. t.setDaemon(True)
24. t.start()
25. #把JOBS排入队列
26. for i in range(JOBS):
27. q.put(i)
28. #等待所有JOBS完成
29. q.join()</span>

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。

6.总结

基本上我遇到过的所有情况，用以上方法都顺利解决了。

<--注意：以上内容均转自月语凋凌 的博客用python爬虫抓站的一些技巧总结，我只是做了整理，以下内容为本人原创-->

利用这篇博客里的例子，我先模仿了一个自己的Python爬虫。

1. <span style="font-size:18px;">import urllib2
2. content = urllib2.urlopen('http://blog.csdn.net/yuri_4_vera').read()</span>

我是用Sublime Text2 作为编辑器，直接利用Mac里安装的Python编译的，报出如下错误：

urllib2.HTTPError: HTTP Error 403: Forbidden

嗯~果然没错，csdn是反感爬虫的，可是我只是想方便的知道我的访问量和评论数嘛...

于是采用博客里的3.3方法，把urllib2伪装成浏览器访问，我的代码就变成了这样：

1. <span style="font-size:18px;">import urllib2
2. headers = {
3. 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
4. }
5. req = urllib2.Request(
6. url = 'http://blog.csdn.net/yuri_4_vera',
7. headers = headers
8. )
9. content = urllib2.urlopen(req).read()
10. print content</span>

成功的抓下来我的整个博客主页有木有！print输出的全是HTML的代码有木有！看到哗啦啦的代码刷下去太舒服了..
学校课程真紧..操作系统、数据挖掘两个大实验..今儿就到这儿吧。
就不附上主页的代码了，如果用Chrome的话，可以右键审查元素。Safari的话可以在偏好设置里勾选“在菜单栏里显示开发菜单”，就可以右键检查元素了。

主要是需要这一部分的内容：

1. <span style="font-size:18px;"><ul id="blog_rank">
2. <li>访问：<span>308次</span></li>
3. <li>积分：<span>41分</span></li>
4. <li>排名：<span>千里之外</span></li>
5. </ul>
6. <ul id="blog_statistics">
7. <li>原创：<span>4篇</span></li>
8. <li>转载：<span>0篇</span></li>
9. <li>译文：<span>0篇</span></li>
10. <li>评论：<span>1条</span></li>
11. </ul></span>

2013.11.5_抓到了！

抓到了！先看看抓到的东西长什么样：

最底下的部分就是抓出来的。

昨天已经抓到了整个主页，今天主要是想办法把需要用的这部分内容挑出来。

昨晚上简单查了下，据说需要使用正则表达式，听到这个名字只觉得耳熟不觉得有数...

问了问同学，发觉似乎是离散数学还是什么课里讲过的一个部分……上课不听课的默默去谷歌了..

到了中午回来，还是不知道要怎么具体操作，后来在Ubuntu中文搜到这样一篇文章

Python正则表达式操作指南

其中有这么一个部分 4.4 前向界定符

受益匪浅！

尝试了一下

1. <span style="font-size:18px;">result = re.findall(r'(?<=\<ul id=\"blog\_rank\"\>).+?(?=\<\/ul\>)',content)</span>

很显然..出错了。

Python的转义字符还是不太懂的样子..

后来尝试

1. <span style="font-size:18px;">result = re.findall(r'(?<=<ul id="blog_rank">).+?(?=\</ul>)',content)</span>

只能筛选出来“[]”，很奇怪……

后来就随便一试，发现了

1. <span style="font-size:18px;">result = re.findall(r'(?<=<li>).+?(?=</li>)',content)</span>

成功的抓出了我需要的部分！

1. <span style="font-size:18px;">访问：<span>308次</span>
2. 积分：<span>41分</span>
3. 排名：<span>千里之外</span>
4. 原创：<span>4篇</span>
5. 转载：<span>0篇</span>
6. 译文：<span>0篇</span>
7. 评论：<span>1条</span></span>

热泪盈眶……

完结！

附上代码：

1. import urllib2
2. import re
3. headers = {
4. 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
5. }
6. req = urllib2.Request(
7. url = 'http://blog.csdn.net/yuri_4_vera',
8. headers = headers
9. )
10. content = urllib2.urlopen(req).read()
11. result = re.findall(r'(?<=<li>).+?(?=</li>)',content)
12. for x in xrange(0,7):
13. print result[x]
14. pass

最近忙别的事情，这里再加一句替换，就可以把烦人的<span>和</span>去掉，用php抓的那篇博文里我有加，python最近还没空继续钻...

/************2013-12-3**************/

更新：

感谢@laochx的反馈，对于编码问题的解决，可以添加以下代码：

1. content = urllib2.urlopen(req).read()
2. content=content.decode("utf8")
3. result = re.findall(r'(?<=<li>).+?(?=</li>)',content)