python爬虫的一些技巧

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 urllib2
from gzip import GzipFile
from StringIO import StringIO
class 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
# gzip
if 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
# deflate
if 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.msg
return 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

1. 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 urllib2
from gzip import GzipFile
from StringIO import StringIO
class 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
# gzip
if 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
# deflate
if 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.msg
return 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()

1. 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10
for 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 urllib2
from threading import Thread,Lock
from Queue import Queue
import time

class 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 = 0

def __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.running

def 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_size
stack_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 socket
socket.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 urllib
data=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。