用python写爬虫程序，入门很快，要进阶从“能用”提升到“用的省心省事”有很多方面需要改进 下面是一些技巧总结。
Gzip/deflate支持现在的网页普遍支持gzip压缩，这往往可以解决大量传输时间，以VeryCD的主页为例，未压缩版本247k，压缩了以后45k，为原来的1/5。这就意味着抓取速度会快5倍。然后python的urllib/urllib2默认都不支持压缩，要返回压缩格式，必须在request的headar里面写明’accept-encoding’ 然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码，很繁琐琐碎。如何让urllib2自动支持gzip，defalte呢？其实可以继承BaseHanlder类，然后build_opener的方式来处理：import urllib2from gzip import GzipFilefrom StringIO import StringIOclass ContentEncodingProcessor(urllib2.BaseHandler): """A handler to add gzip capabilities to urllib2 requests """# add headers to requests
def http_request(self, req):req.add_header("Accept-Encoding", "gzip, deflate")return req # decode
def http_response(self, req, resp):old_resp = resp# gzipif resp.headers.get("content-encoding") == "gzip": gz = GzipFile( fileobj=StringIO(resp.read()), mode="r" ) resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code) resp.msg = old_resp.msg# deflateif resp.headers.get("content-encoding") == "deflate": gz = StringIO( deflate(resp.read()) ) resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code) # 'class to add info() and resp.msg = old_resp.msgreturn resp deflate support
import zlib
def deflate(data): # zlib only provides the zlib compress format, not the deflate format; try: # so on top of all there's this workaround:return zlib.decompress(data, -zlib.MAX_WBITS)
except zlib.error:
return zlib.decompress(data)
然后就简单了，
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩
content = opener.open(url).read()
更方便地多线程
- 用twisted进行异步I/O抓取
事实上更高效的抓取并非一定要用多线程，也可以使用异步I/O法：直接用twisted的getPage方法，然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干：
import urllib2from gzip import GzipFilefrom StringIO import StringIOclass ContentEncodingProcessor(urllib2.BaseHandler): """A handler to add gzip capabilities to urllib2 requests """# add headers to requests
def http_request(self, req):req.add_header("Accept-Encoding", "gzip, deflate")return req # decode
def http_response(self, req, resp):old_resp = resp# gzipif resp.headers.get("content-encoding") == "gzip": gz = GzipFile( fileobj=StringIO(resp.read()), mode="r" ) resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code) resp.msg = old_resp.msg# deflateif resp.headers.get("content-encoding") == "deflate": gz = StringIO( deflate(resp.read()) ) resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code) # 'class to add info() and resp.msg = old_resp.msgreturn resp deflate support
import zlib
def deflate(data): # zlib only provides the zlib compress format, not the deflate format; try: # so on top of all there's this workaround:return zlib.decompress(data, -zlib.MAX_WBITS)
except zlib.error:
return zlib.decompress(data)
然后就简单了，
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩
content = opener.open(url).read()
- 设计一个简单的多线程抓取类
还是觉得在urllib之类python“本土”的东东里面折腾去来更舒服。试想一下，如果有个Fetcher类，你可以这么调用
f = Fetcher(threads=10) #设定下载线程数为10for url in urls:f.push(url) #把所有url推入下载队列
while f.taskleft(): #若还有未完成下载的线程
content = f.pop() #从下载完成队列中取出结果
do_with(content) # 处理content内容
这么个多线程调用简单明了，那么就这么设计吧，首先要有两个对列，用Queue搞定，多线程的基本架构也和“技巧总结”一文类似，push方法和pop方法都比较好处理，都是直接用Queue的方法，taskleft则是如果有“正在运行的任务”或者“队列中的任务”则为是，也好办，于是代码如下：
import urllib2from threading import Thread,Lockfrom Queue import Queueimport timeclass Fetcher:
def __init__(self,threads): self.opener = urllib2.build_opener(urllib2.HTTPHandler) self.lock = Lock() #线程锁 self.q_req = Queue() #任务队列 self.q_ans = Queue() #完成队列 self.threads = threads for i in range(threads): t = Thread(target=self.threadget) t.setDaemon(True) t.start() self.running = 0def __del__(self): #解构时需等待两个队列完成 time.sleep(0.5) self.q_req.join() self.q_ans.join()def taskleft(self): return self.q_req.qsize()+self.q_ans.qsize()+self.runningdef push(self,req): self.q_req.put(req)def pop(self): return self.q_ans.get()def threadget(self): while True: req = self.q_req.get() with self.lock: #要保证该操作的原子性，进入critical area self.running += 1 try: ans = self.opener.open(req).read() except Exception, what: ans = '' print what self.q_ans.put((req,ans)) with self.lock: self.running -= 1 self.q_req.task_done() time.sleep(0.1) # don't spam
if name == "__main__":
links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]f = Fetcher(threads=10)for url in links: f.push(url)while f.taskleft(): url,content = f.pop() print url,len(content)
一些琐碎的经验
1.连接池：Opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒可能使几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁你的。然而在正常的html请求时，保持同时和服务器十几个链接又是很正常的一件事，所以完全可以手动维护一个HttpConnection的池，然后每次抓取是从连接里面选链接进行链接即可。这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动问你维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必须装的东东，何必再自找麻烦写连接池呢。2.设定线程的栈大小栈大小的设定讲非常显著地影响python的内存占用，python多线程不设置这个值会导致程序占用大量内存，这对openvz的vps来说非常致命。Stack_size必须大于32768，实际上应该总要32768*2以上from threading import stack_sizestack_size(32768*16)3.设置失败后自动重试def get(self,req,retries=3): try: response = self.opener.open(req) data = response.read() except Exception , what: print what,req if retries>0: return self.get(req,retries-1) else: print 'GET Failed',req return '' return data
4.设置超时
import socketsocket.setdefaulttimeout(10) #设置10秒后连接超时5.登陆登陆更加简化了，首先build_opener中要加入cookie支持，参考“总结”一文；如要登陆VeryCD，给fetcher新增一个空方法login，并在_init_()中调用，然后继承Fetcher类并override login方法：def login(self,username,password):import urllibdata=urllib.urlencode({'username':username, 'password':password, 'continue':'http://www.verycd.com/', 'login_submit':u'登录'.encode('utf-8'), 'save_cookie':1,})url = 'http://www.verycd.com/signin'self.opener.open(url,data).read() 于是在Fetcher初始化时便会自动登陆VeryCD网站。
如此，把上述所有小技巧都糅合起来就可以显著的改善python爬虫，它支持多线程，gzip/deflate压缩，超时设置，自动重试，设置栈大小，自动登陆等功能；代码简单，使用方便 性能也不俗。