用Python抓网页的注意事项

用Python编一个抓网页的程序是非常快的，下面就是一个例子：

import urllib2
 
html = urllib2.urlopen('http://blog.raphaelzhang.com').read()

但是在实际工作中，这种写法是远远不够的，至少会遇到下面几个问题：

网络会出错，任何错误都可能。例如机器宕了，网线断了，域名出错了，网络超时了，页面没有了，网站跳转了，服务被禁了，主机负载不够了…
服务器加上了限制，只让常见浏览器访问
服务器加上了防盗链的限制
某些2B网站不管你HTTP请求里有没有Accept-Encoding头部，也不管你头部具体内容是什么，反正总给你发gzip后的内容
URL链接千奇百怪，带汉字的也罢了，有的甚至还有回车换行
某些网站HTTP头部里有一个Content-Type，网页里有好几个Content-Type，更过分的是，各个Content-Type还不一样，最过分的是，这些Content-Type可能都不是正文里使用的Content-Type，从而导致乱码
网络链接很慢，乘分析几千个页面的时间，建议你可以好好吃顿饭去了
Python本身的接口有点糙

好吧，这么一大箩筐问题，我们来一个个搞定。

错误处理和服务器限制

首先是错误处理。由于urlopen本身将大部分错误，甚至包括4XX和5XX的HTTP响应，也搞成了异常，因此我们只需要捕捉异常就好了。同时，我们也可以获取urlopen返回的响应对象，读取它的HTTP状态码。除此之外，我们在urlopen的时候，也需要设置timeout参数，以保证处理好超时。下面是代码示例：

import urllib2
import socket
 
try:
  f = urllib2.urlopen('http://blog.raphaelzhang.com', timeout = 10)
  code = f.getcode()
  if code < 200 or code >= 300:
    #你自己的HTTP错误处理
except Exception, e:
  if isinstance(e, urllib2.HTTPError):
    print 'http error: {0}'.format(e.code)
  elif isinstance(e, urllib2.URLError) and isinstance(e.reason, socket.timeout):
    print 'url error: socket timeout {0}'.format(e.__str__())
  else:
    print 'misc error: ' + e.__str__()

如果是服务器的限制，一般来说我们都可以通过查看真实浏览器的请求来设置对应的HTTP头部，例如针对浏览器的限制我们可以设置User-Agent头部，针对防盗链限制，我们可以设置Referer头部，下面是示例代码：

import urllib2
 
req = urllib2.Request('http://blog.raphaelzhang.com',
  headers = {"Referer": "http://www.baidu.com",
    "User-Agent": "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.24 (KHTML, like Gecko) Chrome/11.0.696.68 Safari/534.24"
})
html = urllib2.urlopen(url = req, timeout = 10).read()

有的网站用了Cookie来限制，主要是涉及到登录和限流，这时候没有什么通用的方法，只能看能否做自动登录或者分析Cookie的问题了。

URL与内容处理

URL里奇形怪状的格式只能个别分析，个别处理，逮到一个算一个。例如针对URL里可能有汉字，相对路径，以及回车换行之类的问题，我们可以先用urlparse模块的urljoin函数处理相对路径的问题，然后去掉乱七八糟的回车换行之类的玩意，最后用urllib2的quote函数处理特殊字符编码和转义的问题，生成真正的URL。

当然，在使用的过程中你会发现Python的urljoin和urlopen都有些问题，因此具体的代码我们在后面再给。

对于那些不管三七二十一就把gzip内容丢过来的，我们直接分析它的内容格式，不要管HTTP头部就好了。代码是这样的：

import urllib2
import gzip, cStringIO
 
html = urllib2.urlopen('http://blog.raphaelzhang.com').read()
if html[:6] == '\x1f\x8b\x08\x00\x00\x00':
  html = gzip.GzipFile(fileobj = cStringIO.StringIO(html)).read()

好了，现在又到了编码处理的痛苦时间了。由于我们是中国人，用的是汉字，因此必须要搞清楚一段文本使用的到底是什么编码(f*ck)，不然就会出现传说中的乱码。

按照一般浏览器的处理流程，判断网页的编码首先是根据HTTP服务器发过来的HTTP响应头部中Content-Type字段，例如text/html; charset=utf-8就表示这是一个HTML网页，使用的是utf8编码。如果HTTP头部中没有，或者网页内容的head区中有charset属性或者其http-equiv属性为Content-Type的meta元素，如果有charset属性，则直接读取这个属性，如果是后者，则读取这个元素的content属性，格式与上述格式类似。

按理来说，如果大家都按规矩出牌，编码的问题是很好搞定的。但是，问题就在于大家可能不按规矩办事，走自己的捷径…(OMG）。首先，HTTP响应里不一定有Content-Type头部，其次某些网页里可能没有Content-Type或者有多个Content-Type(例如百度搜索的缓存页面)。这个时候，我们就必须冒险猜测了，因此处理编码的一般流程是：

读取urlopen返回的HTTP相应对象的headers.dict['content-type']属性，将charset读取出来
利用正则表达式解析HTML里head区对应的meta元素中Content-Type/charset属性的值，并读取出来
如果上面两步中获得的编码只有gb2312或者gbk，则可以认为网页的编码是gbk(反正gbk兼容gb2312)
如果发现有多个编码，而且这些编码互不兼容，例如又有utf8又有ios8859-1的，那我们只好使用chardet模块了，调用chardet的detect函数，读取encoding属性即可
获得了编码后，可以将网页用decode方法转码为Python中的unicode串以方便后续的统一处理

几个需要注意的地方，我的做法是只要网页的编码是gb2312，我就将其假定为gbk。因为不少网站虽然写的是gb2312，实际上是gbk编码的，毕竟gb2312覆盖的字符数太少，很多字，例如朱棣、陶喆，朱镕基这些词中都有字不在gb2312的覆盖范围内。

其次，chardet不是万能的，如果有现成的Content-Type/charset，就仍然使用Content-Type/charset。因为chardet使用的是一种猜测方式来做的，主要是参考的老版本的火狐代码中的猜测算法，就是根据某些编码的特征来猜测的。例如gb2312编码中“的”这个字的对应的编码的出现频率可能比较高等。在我的实际使用中，它出错的概率也有10%左右吧。另外，因为它要分析和猜测，所以时间也比较长。

检测编码的代码有点长，具体可以参看这个代码里的getencoding函数的实现。

提高性能

网页抓取程序的主要性能瓶颈都在网络处理上。关于这一点，可以使用cProfile.run和pstats.Stats来测试一下每个函数的调用时间就可以得到验证了。一般来说，可以通过下面几种方法来解决：

使用threading或者multiprocess来并行处理，同时抓取多个页面，使用都非常简单的，文档在这里
在HTTP请求里面加上Accept-Encoding头部，将其设为gzip即可，表示可以接受gzip压缩的数据，绝大多数网站都支持gzip压缩，可以节省70 ~ 80%的流量
如果不需要读取所有内容，可以在HTTP请求里面加上Range头部(HTTP断点续传也需要这个头部的)。例如把Range头部的值设为bytes=0-1023就是相当于请求开头1024个字节的内容，这样可以大大节省带宽。不过少数网站不支持这个头部，这个需要注意下
调用urlopen的时候一定要设置timeout参数，不然可能程序会永远等待在那里的

并行处理具体使用多线程还是多进程，就我现在测试来看区别不大，毕竟主要瓶颈是在网络链接上。

其实除了上述方法外，在Python里还有一些可能更好的提高性能的方法。例如使用greenlet，stackless，PyPy等支持更好多线程多进程的工具或python，还可以使用异步IO，例如twisted或者PycURL。不过个人对greenlet不熟，觉得twisted实在太twisted，PycURL不够pythonic，而stackless和pypy怕破坏了其他python程序，因此仍然使用urllib2 + threading方案。当然，因为GIL的问题，python多线程仍然不够快，可是对单线程情况来说，已经有数倍时间的节省了。

Python的小问题

在抓网页的时候，Python暴露出一些小问题。主要是urlopen和urljoin函数的问题。

urlparse模块里的urljoin函数，其功能是将一个相对url，例如../img/mypic.png，加上当前页面的绝对url，例如http://blog.raphaelzhang.com/apk/index.html，转化为一个绝对URL，例如在这个例子里就是http://blog.raphaelzhang.com/img/mypic.png。但是urljoin处理的结果还需要进一步处理，就是去掉多余的..路径，去掉回车换行等特殊符号。代码是这样的：

from urlparse import urljoin
 
relurl = '../../img/\nmypic.png'
absurl = 'http://blog.raphaelzhang.com/2012/'
url = urljoin(absurl, relurl)
#url为http://blog.raphaelzhang.com/../img/\nmypic.png
url = reduce(lambda r,x: r.replace(x[0], x[1]), [('/../', '/'), ('\n', ''), ('\r', '')], url)
#url为正常的http://blog.raphaelzhang.com/img/mypic.png

urlopen函数也有一些问题，它其实对url字符串有自己的要求。

首先，你交给urlopen的函数需要自己做汉字等特殊字符的编码工作，使用urllib2的quote函数即可，就像这样：

import urllib2
 
#此处的url当然是经过了上述urljoin和reduce处理过后的良好的绝对URL了
url = urllib2.quote(url.split('#')[0].encode('utf8'), safe = "%/:=&?~#+!$,;'@()*[]")

其次，url里面不能有#。因为从理论上来说，#后面的是fragment，是在获取整个文档以后定位用的，而不是用来获取文档用的，但是实际上urlopen应该可以自己做这个事的，却把这个任务留给了开发人员。上面我已经用url.split(‘#’)[0]的方式来处理这个问题了。

最后，Python 2.6和之前的版本不能处理类似http://blog.raphaelzhang.com?id=123这样的url，会导致运行时错误，我们必须手工处理一下，将这种url转化为正常的http://blog.raphaelzhang.com/?id=123这样的url才行，不过这个bug在Python 2.7里面已经解决了。

好了，Python网页抓取的上述问题告一段落了，下面我们还要处理分析网页的问题，留待下文分解。