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())