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： [python]

1. import urllib, urllister 2.

3. def getURL(url): 4. try:

5. usock = urllib.urlopen(url) 6. except:

7. print 'get url excepton' 8. return []

9. parser = urllister.URLLister() 10. parser.feed(usock.read()) 11. usock.close() 12. parser.close() 13. urls = parser.urls 14. return urls 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

在他的百度空间 ⾥转载的博客

据所说转⾃ 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 的博客，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

[python]

1. import urllib2

2. content = urllib2.urlopen('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。 [python]

1. 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()

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 [python]

1. 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()

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 [python]

1. 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：

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 [python]

1. 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. })

然后⽣成http请求，再发送请求： [python]

1. req = urllib2.Request(

2. url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/', 3. data = postdata)

4. 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 [python]

1. 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. )

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： [python]

1. #... 2. headers = {

3. 'Referer':'http://www.cnbeta.com/articles' 4. }

5. #...

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。 [python]

1. 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()

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 的博客，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。 [python]

1. import urllib2

2. content = urllib2.urlopen('http://blog.csdn.net/yuri_4_vera').read()

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： [python]

1. import urllib2 2.

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.

11. content = urllib2.urlopen(req).read() 12. print content

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： [html]

1.

2.
• 访问：308次
3.
• 积分：41分
4.
• 排名：千⾥之外
5.

6.

7.

• 原创：4篇
8.
• 转载：0篇
9.
• 译⽂：0篇
10.
• 评论：1条
11.

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，后来在搜到这样⼀篇⽂章

其中有这么⼀个部分

受益匪浅！尝试了⼀下 [python]

1. result = re.findall(r'(?<=\\

).+?(?=\\<\\/ul\\>)',content) 很显然..出错了。

Python的转义字符还是不太懂的样⼦..后来尝试

[python]

1. result = re.findall(r'(?<=

).+?(?=\\
)',content) 只能筛选出来“[]”，很奇怪……

后来就随便⼀试，发现了 [python]

1. result = re.findall(r'(?<=

• ).+?(?=
)',content) 成功的抓出了我需要的部分！ [html]

1. 访问：308次 2. 积分：41分 3. 排名：千⾥之外 4. 原创：4篇 5. 转载：0篇 6. 译⽂：0篇

7. 评论：1条 热泪盈眶…… 完结！

附上代码： [python]

1. import urllib2 2. import re 3.

4. headers = {

5. 'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6' 6. }

7. req = urllib2.Request(

8. url = 'http://blog.csdn.net/yuri_4_vera', 9. headers = headers 10. ) 11.

12. content = urllib2.urlopen(req).read()

13. result = re.findall(r'(?<=

• ).+?(?=
)',content)

14.

15. for x in xrange(0,7): 16. print result[x] 17. pass

最近忙别的事情，这⾥再加⼀句替换，就可以把烦⼈的和去掉，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： [python]

1. content = urllib2.urlopen(req).read() 2. content=content.decode(\"utf8\")

3. result = re.findall(r'(?<=

• ).+?(?=
)',content)

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文