python的小爬虫的基本写法

1.最基本的抓站import urllib2content = 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。import urllib2PRoxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)urllib2.install_opener(opener)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import urllib2, cookielibcookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)urllib2.install_opener(opener)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postdataimport urllibpostdata=urllib.urlencode({    'username':'XXXXX',    'password':'XXXXX',    'continueURI':'http://www.verycd.com/',    'fk':fk,    'login_submit':'登录'})-然后生成http请求，再发送请求：req = urllib2.Request(    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',    data = postdata)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#…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 = urllib2.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。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print time.time()-start1..from threading import Threadfrom Queue import Queuefrom time import sleepimport urllib2import timeq = Queue()NUM = 10JOBS = 50def do_somthing_using(p):    response = urllib2.urlopen('http://www.VEVb.com')    result = response.read()    #print pdef working():    while True:        arguments = q.get()        do_somthing_using(arguments)        q.task_done()for i in xrange(NUM):    t = Thread(target=working)    t.setDaemon(True)    t.start()start = time.time()for i in xrange(JOBS):    q.put(i)        q.join()print "MultiThreading:"print time.time()-start2..from threading import Threadfrom multiprocessing.dummy import Pool as ThreadPoolimport urllib2import time	start = time.time()	url = "http://www.VEVb.com"	urls = [url] * 50	pool = ThreadPool(4)	results = pool.map(urllib2.urlopen, urls)	pool.close() 	pool.join()	print "Map:"	print time.time()-start