python使用mechanize模块编写爬虫的要点解析

mechanize是对urllib2的部分功能的替换,能够更好的模拟浏览器行为,在web访问控制方面做得更全面。结合beautifulsoup和re模块,可以有效的解析web页面,我比较喜欢这种方法。
下面主要总结了使用mechanize模拟浏览器的行为和几个例子(谷歌搜索,百度搜索和人人网登录等)
1.初始化并建立一个浏览器对象
如果没有mechanize需要easy_install安装,以下代码建立浏览器对象并作了一些初始化设置,实际使用过程可以按需开关。其实只用默认的设置也可以完成基本任务。

#!/usr/bin/env python
import sys,mechanize
#browser
br = mechanize.browser()
#options
br.set_handle_equiv(true)
br.set_handle_gzip(true)
br.set_handle_redirect(true)
br.set_handle_referer(true)
br.set_handle_robots(false)
#follows refresh 0 but not hangs on refresh > 0
br.set_handle_refresh(mechanize._http.httprefreshprocessor(), max_time=1)
#debugging?
br.set_debug_http(true)
br.set_debug_redirects(true)
br.set_debug_responses(true)
#user-agent (this is cheating, ok?)
br.addheaders = [(‘user-agent’, ‘mozilla/5.0 (x11; u; linux i686; en-us; rv:1.9.0.1) gecko/2008071615 fedora/3.0.1-1.fc9 firefox/3.0.1’)]

2.模拟浏览器行为
浏览器对象建立并初始化完毕之后即可使用了,下面给出几个例子(代码承接以上部分)
获取web网页:
分行打印可以逐个查看详细信息,就不赘述

r = br.open(sys.argv[1])
html = r.read()
print html
print br.response().read()
print br.title()
print r.info()

模拟谷歌和百度查询
打印和选择forms,然后填写相应键值,通过post提交完成操作

for f in br.forms():
print f
br.select_form(nr=0)

谷歌查询football

br.form[‘q’] = ‘football’
br.submit()
print br.response().read()

百度查询football

br.form[‘wd’] = ‘football’
br.submit()
print br.response().read()

相应键值名,可以通过打印查出

回退(back)
非常简单的操作,打印url即可验证是否回退

# back
br.back()
print br.geturl()

3.http基本认证

br.add_password(‘http://xxx.com’, ‘username’, ‘password’)
br.open(‘http://xxx.com’)

4.form认证
以登陆人人网为例,打印forms可以查出用户名和密码键信息

br.select_form(nr = 0)
br[’email’] = username
br[‘password’] = password
resp = self.br.submit()

5.cookie支持
通过导入cookielib模块,并设置浏览器cookie,可以在需要认证的网络行为之后不用重复认证登陆。通过保存session cookie即可重新访问,cookie jar完成了该功能。

#!/usr/bin/env python
import mechanize, cookielib
br = mechanize.browser()
cj = cookielib.lwpcookiejar()
br.set_cookiejar()

6.proxy设置
设置http代理

#proxy
br.set_proxies({“http”:”proxy.com:8888″})
br.add_proxy_password(“username”, “password”)
#proxy and usrer/password
br.set_proxies({“http”:”username:password@proxy.com:8888″})

7.关于内存过高问题

在用mechanize写了一个爬虫脚本,想要去某网站爬取大概30万张图片。

整个过程是:
1、获取目标页面地址
2、取得目标地址前几页的所有图片url
3、对这些url进行下载,并把索引数据保存到mysql数据库。

这个脚本大概每秒钟完成一张图片的下载(主要是网络只有200k/s左右,是瓶颈)
当图片下载到大约15000张左右的时候,发现越来越慢,最后干脆停下了。
用ps aux查看,发现进程sleep了,感觉很奇怪。
free看一下,内存竟然只剩下100m了(系统总内存4gb)
在网上瞎逛了一下,发现原来mechanize默认会保存模拟过的操作历史,导致占用的内存越来越大:
http://stackoverflow.com/questions/2393299/how-do-i-disable-history-in-python-mechanize-module

为了方便,大约翻译一下:
mechanize初始化browser()的时候,如果你不给他传一个history对象作为参数,browser()就会按照默认的方式(允许保存操作历史)来进行初始化,你可以随便传个什么history给它即可,如自定义一个nohistory对象:

class nohistory(object):
def add(self, *a, **k): pass
def clear(self): pass
b = mechanize.browser(history=nohistory())

Posted in 未分类