Python中的mechanize模組是什麼?
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。
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。
#!/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
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,透過post提交完成操作
for f in br.forms(): print f br.select_form(nr=0)
谷歌查詢football
br.form['q'] = 'football' br.submit() print br.response().read()
百度查詢football
br.form['wd'] = 'football' br.submit() print br.response().read()
相應鍵值名,可以透過列印查出
回退(Back)
非常簡單的操作,列印url即可驗證是否回退
# Back br.back() print br.geturl()
3.http基本認證
br.add_password('', 'username', 'password') br.open('')
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
br.select_form(nr = 0) br['email'] = username br['password'] = password resp = self.br.submit()
5.cookie支援
透過匯入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。透過儲存session cookie即可重新訪問,Cookie Jar完成了該功能。
#!/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
#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。
free看一下,記憶體竟然只剩下100M了(系統總記憶體4GB)
問題發現: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:
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:
class NoHistory(object): def add(self, *a, **k): pass def clear(self): pass b = mechanize.Browser(history=NoHistory())
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/4550/viewspace-2837437/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- Python中模組是什麼?Python有哪些模組?Python
- 什麼是模組?Python模組分為哪幾類?Python
- python中的input是什麼Python
- python中的字典是什麼Python
- Python使用Mechanize模組編寫爬蟲的要點解析Python爬蟲
- python中loc是什麼Python
- Python中的作用域是什麼Python
- Python中什麼是閉包?閉包的好處是什麼?Python
- Python中的arange是什麼?和range有什麼不同?Python
- python中return是什麼意思?Python
- python中mat是什麼意思?Python
- python中global是什麼意思?Python
- Python中的類和物件是什麼Python物件
- python OpenCV中的閾值是什麼PythonOpenCV
- Python中的rad是什麼意思?Python
- Python 中的 *args 和 **kwargs 是什麼Python
- Python中的類、模組和包究竟是什麼?Python
- python中類方法的區別是什麼Python
- python中的name等於main是什麼PythonAI
- python中upper函式的用法是什麼?Python函式
- Python中的“特權種族”是什麼?Python
- Python 中的數字到底是什麼?Python
- python中collections.Counter是什麼?Python
- python中flake8是什麼Python
- [譯] 什麼是模組化 CSS?CSS
- Python中的.pyc檔案是幹什麼的Python
- python中Matplotlib是什麼?怎麼用?Python
- Python是什麼意思?Python幹什麼用的?Python
- Python中replace()的用法是什麼?附例項!Python
- Python中的sys.argv是什麼含義Python
- Python 中的 sys.argv 是個什麼鬼?Python
- Python 程式碼中的 yield 到底是什麼?Python
- spyder是python的什麼Python
- Python的列表是什麼Python
- 什麼是python?python有什麼用途?Python
- python中h5py是什麼?PythonH5
- 什麼是PythonPython
- Python中的__init__到底是幹什麼的?Python