最近想下载一些陌声人广播，在回家的火车上听，但是链接太多，如果要一个个去点就太浪费时间了，所以就想写一个爬虫自动下载。
用python爬虫抓站的一些技巧总结这篇文章对python爬虫技巧总结得很好，但是是基于python 2.x的，自己最近又刚转成了python 3.x，所以就将该博文转成基于python 3.x的。
1.最基本的抓站
from urllib import request
response = request.urlopen("http://www.baidu.com/")
content = response.read().decode('utf-8')
print(content)–
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。
from urllib import request
proxy_support = request.ProxyHandler({'http':'http://xx.xx.xx.xx:xx'})
opener = request.build_opener(proxy_support, request.HTTPHandler)
request.install_opener(opener)
content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')
print(content)如果不想一直使用该代理访问，那就不需要调用install_opener(opener)安装了，只需每次使用opener.open()，而不用request.urlopen()。
–
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
#-*- coding: utf-8 -*-
from urllib import request
from http import cookiejar
cookie_support = request.HTTPCookieProcessor(cookiejar.CookieJar())
opener = request.build_opener(cookie_support, request.HTTPHandler)
request.install_opener(opener)
content = request.urlopen('http://www.baidu.com/').read().decode('utf-8')
print(content)
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 = request.build_opener(proxy_support, cookie_support, request.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
postdata = parse.urlencode({
'username':'XXXXX',
'password':'XXXXX',
'continueURI':'http://www.verycd.com/',
'fk':'fkasdfasdf',
'login_submit':'登录',
})
然后生成http请求，再发送请求：
req = request.Request(
url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
data = postdata
)
content = request.urlopen(req).read()
print(content)如果是get请求，则如下：
fullurl = 'http://xxxxxxxxxxxxxxx/index?%s' % data
req = request.Request(fullurl)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
#…
postdata = parse.urlencode({})
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 = request.Request(
url = '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'
}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。
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。
#-*- coding: utf-8 -*-
from threading import Thread
from queue import Queue
from time import sleep
#q是任务队列
#NUM是并发线程总数
#JOBS是有多少任务
q = Queue()
NUM = 2
JOBS = 10
#具体的处理函数，负责处理单个任务
def do_somthing_using(arguments):
print(arguments)
#这个是工作进程，负责不断从队列取数据并处理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM个线程等待队列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入队列
for i in range(JOBS):
q.put(i)
#等待所有JOBS完成
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。
