python爬虫的一些技巧

1. 引言
用python写爬虫程序, 入门很快, 要进阶从"能用"提升到"用得省事省心", 有很多方面需要改进.
下面是一些技巧的总结.

2. 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。
然而python的urllib/urllib2默认都不支持压缩，要返回压缩格式，必须在request的header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：

1. import urllib2
   
2. from gzip import GzipFile
   
3. from StringIO import StringIO
   
4. class ContentEncodingProcessor(urllib2.BaseHandler):
   
5.   """A handler to add gzip capabilities to urllib2 requests """
   
6. 
   
7.   # add headers to requests
   
8.   def http_request(self, req):
   
9.     req.add_header("Accept-Encoding", "gzip, deflate")
   
10.     return req
    
11. 
    
12.   # decode
    
13.   def http_response(self, req, resp):
    
14.     old_resp = resp
    
15.     # gzip
    
16.     if resp.headers.get("content-encoding") == "gzip":
    
17.         gz = GzipFile(
    
18.                     fileobj=StringIO(resp.read()),
    
19.                     mode="r"
    
20.                   )
    
21.         resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
    
22.         resp.msg = old_resp.msg
    
23.     # deflate
    
24.     if resp.headers.get("content-encoding") == "deflate":
    
25.         gz = StringIO( deflate(resp.read()) )
    
26.         resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)  # 'class to add info() and
    
27.         resp.msg = old_resp.msg
    
28.     return resp
    
29. 
    
30. # deflate support
    
31. import zlib
    
32. def deflate(data):   # zlib only provides the zlib compress format, not the deflate format;
    
33.   try:               # so on top of all there's this workaround:
    
34.     return zlib.decompress(data, -zlib.MAX_WBITS)
    
35.   except zlib.error:
    
36.     return zlib.decompress(data)
    
37. 
    
38. # 然后就简单了，
    
39. 
    
40. encoding_support = ContentEncodingProcessor
    
41. opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
    
42. 
    
43. # 直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩
    
44. content = opener.open(url).read()

复制代码

3. 更方便地多线程

3.1 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：

1. from twisted.web.client import getPage
   
2. from twisted.internet import reactor
   
3. 
   
4. links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]
   
5. 
   
6. def parse_page(data,url):
   
7.     print len(data),url
   
8. 
   
9. def fetch_error(error,url):
   
10.     print error.getErrorMessage(),url
    
11. 
    
12. # 批量抓取链接
    
13. for url in links:
    
14.     getPage(url,timeout=5) \
    
15.         .addCallback(parse_page,url) \ #成功则调用parse_page方法
    
16.         .addErrback(fetch_error,url)     #失败则调用fetch_error方法
    
17. 
    
18. reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
    
19. reactor.run()

复制代码

3.2 设计一个简单的多线程抓取类
还是觉得在urllib之类python“本土”的东东里面折腾起来更舒服。试想一下，如果有个Fetcher类，你可以这么调用

1. f = Fetcher(threads=10) #设定下载线程数为10
   
2. for url in urls:
   
3.     f.push(url)  #把所有url推入下载队列
   
4. while f.taskleft(): #若还有未完成下载的线程
   
5.     content = f.pop()  #从下载完成队列中取出结果
   
6.     do_with(content) # 处理content内容

复制代码

这么个多线程调用简单明了，那么就这么设计吧，首先要有两个队列，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：

1. import urllib2
   
2. from threading import Thread,Lock
   
3. from Queue import Queue
   
4. import time
   
5. 
   
6. class Fetcher:
   
7.     def __init__(self,threads):
   
8.         self.opener = urllib2.build_opener(urllib2.HTTPHandler)
   
9.         self.lock = Lock() #线程锁
   
10.         self.q_req = Queue() #任务队列
    
11.         self.q_ans = Queue() #完成队列
    
12.         self.threads = threads
    
13.         for i in range(threads):
    
14.             t = Thread(target=self.threadget)
    
15.             t.setDaemon(True)
    
16.             t.start()
    
17.         self.running = 0
    
18. 
    
19.     def __del__(self): #解构时需等待两个队列完成
    
20.         time.sleep(0.5)
    
21.         self.q_req.join()
    
22.         self.q_ans.join()
    
23. 
    
24.     def taskleft(self):
    
25.         return self.q_req.qsize()+self.q_ans.qsize()+self.running
    
26. 
    
27.     def push(self,req):
    
28.         self.q_req.put(req)
    
29. 
    
30.     def pop(self):
    
31.         return self.q_ans.get()
    
32. 
    
33.     def threadget(self):
    
34.         while True:
    
35.             req = self.q_req.get()
    
36.             with self.lock: #要保证该操作的原子性，进入critical area
    
37.                 self.running += 1
    
38.             try:
    
39.                 ans = self.opener.open(req).read()
    
40.             except Exception, what:
    
41.                 ans = ''
    
42.                 print what
    
43.             self.q_ans.put((req,ans))
    
44.             with self.lock:
    
45.                 self.running -= 1
    
46.             self.q_req.task_done()
    
47.             time.sleep(0.1) # don't spam
    
48. 
    
49. if __name__ == "__main__":
    
50.     links = [ 'http://www.verycd.com/topics/%d/'%i for i in range(5420,5430) ]
    
51.     f = Fetcher(threads=10)
    
52.     for url in links:
    
53.         f.push(url)
    
54.     while f.taskleft():
    
55.         url,content = f.pop()
    
56.         print url,len(content)

复制代码

4. 一些琐碎的经验
4.1 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，每秒钟可以是几十上百个请求，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，保持同时和服务器几十个连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，然后每次抓取时从连接池里面选连接进行连接即可。

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会自动为你维护连接池，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装的东东，何必再自找麻烦写连接池呢。

4.2 设定线程的栈大小

栈大小的设定将非常显著地影响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

1. from threading import stack_size
   
2. stack_size(32768*16)

复制代码

4.3 设置失败后自动重试

1.     def get(self,req,retries=3):
   
2.         try:
   
3.             response = self.opener.open(req)
   
4.             data = response.read()
   
5.         except Exception , what:
   
6.             print what,req
   
7.             if retries>0:
   
8.                 return self.get(req,retries-1)
   
9.             else:
   
10.                 print 'GET Failed',req
    
11.                 return ''
    
12.         return data

复制代码

4.4 设置超时

1. import socket
   
2.     socket.setdefaulttimeout(10) #设置10秒后连接超时

复制代码

4.5 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：

1. def login(self,username,password):
   
2.     import urllib
   
3.     data=urllib.urlencode({'username':username,
   
4.                            'password':password,
   
5.                            'continue':'http://www.verycd.com/',
   
6.                            'login_submit':u'登录'.encode('utf-8'),
   
7.                            'save_cookie':1,})
   
8.     url = 'http://www.verycd.com/signin'
   
9.     self.opener.open(url,data).read()
   

复制代码

于是在Fetcher初始化时便会自动登录VeryCD网站。


5.  总结
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，自动登录等功能；代码简单，使用方便，性能也不俗.