mechanize是對urllib2的部分功能的替換，能夠更好的模擬瀏覽器行為，在web訪問控制方面做得更全面。結合beautifulsoup和re模組，可以有效的解析web頁面，我比較喜歡這種方法。
下面主要總結了使用mechanize模擬瀏覽器的行為和幾個例子（谷歌搜尋，百度搜尋和人人網登入等）
1.初始化並建立一個瀏覽器物件
如果沒有mechanize需要easy_install安裝，以下程式碼建立瀏覽器物件並作了一些初始化設定，實際使用過程可以按需開關。其實只用預設的設定也可以完成基本任務。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
#!/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.模擬瀏覽器行為
瀏覽器物件建立並初始化完畢之後即可使用了，下面給出幾個例子（程式碼承接以上部分）
獲取web網頁：
分行列印可以逐個檢視詳細資訊，就不贅述
|
1 2 3 4 5 6 |
r = br.open(sys.argv[1]) html = r.read() print html print br.response().read() print br.title() print r.info() |
模擬谷歌和百度查詢
列印和選擇forms，然後填寫相應鍵值，通過post提交完成操作
|
1 2 3 4 |
for f in br.forms(): print f br.select_form(nr=0) |
谷歌查詢football
|
1 2 3 |
br.form['q'] = 'football' br.submit() print br.response().read() |
百度查詢football
|
1 2 3 |
br.form['wd'] = 'football' br.submit() print br.response().read() |
相應鍵值名，可以通過列印查出
回退（Back）
非常簡單的操作，列印url即可驗證是否回退
|
1 2 3 |
# Back br.back() print br.geturl() |
3.http基本認證
|
1 2 |
br.add_password('http://xxx.com', 'username', 'password') br.open('http://xxx.com') |
4.form認證
以登陸人人網為例，列印forms可以查出使用者名稱和密碼鍵資訊
|
1 2 3 4 |
br.select_form(nr = 0) br['email'] = username br['password'] = password resp = self.br.submit() |
5.cookie支援
通過匯入cookielib模組，並設定瀏覽器cookie，可以在需要認證的網路行為之後不用重複認證登陸。通過儲存session cookie即可重新訪問，Cookie Jar完成了該功能。
|
1 2 3 4 5 6 |
#!/usr/bin/env python import mechanize, cookielib br = mechanize.Browser() cj = cookielib.LWPCookieJar() br.set_cookiejar() |
6.proxy設定
設定http代理
|
1 2 3 4 5 6 |
#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.關於記憶體過高問題
在用mechanize寫了一個爬蟲指令碼，想要去某網站爬取大概30萬張圖片。
整個過程是：
1、獲取目標頁面地址
2、取得目標地址前幾頁的所有圖片url
3、對這些url進行下載，並把索引資料儲存到mysql資料庫。
這個指令碼大概每秒鐘完成一張圖片的下載(主要是網路只有200K/S左右，是瓶頸)
當圖片下載到大約15000張左右的時候，發現越來越慢，最後乾脆停下了。
用ps aux檢視，發現程式sleep了，感覺很奇怪。
free看一下，記憶體竟然只剩下100M了（系統總記憶體4GB）
在網上瞎逛了一下，發現原來mechanize預設會儲存模擬過的操作歷史，導致佔用的記憶體越來越大：
http://stackoverflow.com/questions/2393299/how-do-i-disable-history-in-python-mechanize-module
為了方便，大約翻譯一下：
mechanize初始化Browser()的時候，如果你不給他傳一個history物件作為引數，Browser()就會按照預設的方式（允許儲存操作歷史）來進行初始化，你可以隨便傳個什麼history給它即可，如自定義一個NoHistory物件：
|
1 2 3 4 5 |
class NoHistory(object): def add(self, *a, **k): pass def clear(self): pass b = mechanize.Browser(history=NoHistory()) |