如果是原创源码分享请务必在帖子标题上面标注【原创】字样，方便易友加分或管理加亮、置顶等操作！ 转载的帖子或引用了其它易友开源的代码，请在帖子里面贴上原作者的用户名/网名，这是对技术分享及原作者的尊重！
本版块为源码分享板块，请各位“大神”嘴下留情。
不要打击新手分享热情，有更好的源码可以开源一起学习。
源码内发现未知exe/dll/资源文件 为了你和他人的安全，请及时举报
下载的源码含有未开源且体积较大的模块的时候，请谨慎编译运行
以上举报查实为病&毒后一律从严处理发帖人，决不姑息！
支持原创源码分享请积极给楼主加分。评分不减自身精币哦
注：收费附件必须要包含所有文件，如源码引用了某模块，必须一起打包模块，否则，以欺诈主题处理，双倍扣除附件所得积分！&&-&&欢迎广大易友监督举报
注：源码版块 禁 发布的附件含密码需要加群等方式获得。
注：请尽量不要发其它网站、论坛、博客、等地址及QQ、YY等联系方式。
注：禁止回复纯数字、纯字母、纯符号、纯表情、无意义、重复、抄袭、提取等信息。
注：在本板块灌水超过三次，给予禁言三天处理。
注：附件内所有的可执行文件必须有安全检测报告。(腾讯哈勃或金山火眼)
注：每人每天最多发表三个主题，最多设置两个主题收费附件，每个主题最多设置2个收费附件，每个附件最多收费2精币！
注：禁止分享或者开源游戏辅助类源码，一经发现立即删除。
【免费】精易官方2000人易语言学习交流QQ群： （技术交流、找人开发软件、承接开发订单、行业项目、求职/招聘，尽在QQ群！请不要重复加。）
【付费】为了有更好的交流环境和学习气氛，特别创立千人付费交流群： ，只接受对技术狂热的积极份子！！
最新精华帖子
本月精华排行榜
API学习专区,API的引用,API查询
243 / 2033
前天&21:58
1 / 695 页
- [回帖奖励
昨天&16:11
昨天&15:56
昨天&09:49
- [回帖奖励
昨天&00:14
前天&20:58
前天&20:09
前天&18:07
前天&17:35
前天&16:53
前天&12:19
前天&10:48
前天&09:25
前天&08:27
前天&00:33
1 / 695 页
精易论坛 - 有你更精彩 /1
由资深js攻城狮辅导指点你，让你熟悉JS加解密架构，剖析你即将或已经碰上的坑，解密一切JS。。
拒绝任何人以任何形式在本论坛发表与中华人民共和国法律相抵触的言论，本站内容均为会员发表，并不代表精易立场!
揭阳精易科技有限公司申明:我公司所有的培训课程版权归精易所有，任何人以任何方式翻录、盗版、破解本站培训课程，我们必将通过法律途径解决！
公司简介：揭阳市揭东区精易科技有限公司致力于易语言教学培训/易语言学习交流社区的建设与软件开发，多年来为中小企业编写过许许多多各式软件，并把多年积累的开发经验逐步录制成视频课程供学员学习，让学员全面系统化学习易语言编程，少走弯路，减少对相关技术的研究与摸索时间，从而加快了学习进度！
防范网络诈骗，远离网络犯罪
违法和不良信息举报电话，企业QQ： ，邮箱：@
Powered by
粤公网安备 25&>&&>&&>&&>&终极网页填表源代码，基于全自动类。
终极网页填表源代码，基于全自动类。
上传大小：82KB
使用先进的线程技术，使填表和POST都能达到最佳。注：本文件是程序源代码
综合评分：3.3（3位用户评分）
所需积分：10
下载次数：18
审核通过送C币
创建者：aslanchen
创建者：oscer2016
创建者：goto1997
课程推荐相关知识库
上传者其他资源上传者专辑
开发技术热门标签
VIP会员动态
您因违反CSDN下载频道规则而被锁定帐户，如有疑问，请联络:!
android服务器底层网络模块的设计方法
所需积分：0
剩余积分：720
您当前C币：0
可兑换下载积分：0
兑换下载分：
兑换失败，您当前C币不够，请先充值C币
消耗C币：0
你当前的下载分为234。
终极网页填表源代码，基于全自动类。
会员到期时间：
剩余下载次数：
你还不是VIP会员
开通VIP会员权限，免积分下载
你下载资源过于频繁，请输入验证码
您因违反CSDN下载频道规则而被锁定帐户，如有疑问，请联络:!
若举报审核通过，可奖励20下载分
被举报人：
举报的资源分：
请选择类型
资源无法下载
资源无法使用
标题与实际内容不符
含有危害国家安全内容
含有反动色情等内容
含广告内容
版权问题，侵犯个人或公司的版权
*详细原因：58303人阅读
附：看到有朋友自己弄的时候出错了，所以我做了两个demo，一个excel版，另一个c＃版，有需要的朋友可以到文章最后下载参考一下。另外，文章改了一些疏漏。首先今天要说的东西跟游戏无关，你是不是有时候会遇到，在某个网页上重复着几十次的简单而又无聊的录入或点击等工作？比如你的程序需要测试，需要注册大量的测试邮箱。比如你的老板是个变态，让你去各个论坛发大量的垃圾贴子（最无耻行为，纯属举例）。或者，你需要定时的到某一个网页上执行某一些行为，比如上班下班的出勤打卡系统，等等吧，如果有，那么我今天所介绍的或许会对你有帮助。当然，如果你要操作的这些网页都是自己开发的，那么无所谓了，你在多开发个工具就行了，但是我说的上面这些都是第三方的网页，你控制不了它们，如果遇到上上述情况，而你是一个挨踢程序员，而你又选择老老实实的重复着这些无聊又费时的工作，那你就真该挨踢了。要实现这些功能，你只需要用程序控制这些网页，让网页听你的就行了。要动手实现这一系列的功能，你需要做几个简单的准备。1，OS环境：Windows2，IE浏览器3，工具：Excel或者Visual Studio先来看看如何用Excel来控制一个网页。新建一个Excel并且进入VBA，标准模式，什么？不知道VBA？你可以找我的两个老师问一下，他们一个姓百，另一个姓谷，诶？你说你也认识？那大家都是自己人了，你什么时候请吃饭啊？如下图。我是日文系统，中文的你对照着自己来吧...要对IE进行操作，首先需要引入两个插件HTML Object LibraryMicrosoft Internet Controls如图打开IE，你只需要下面几行代码Sub Main()
Dim ie As Object
Set ie = CreateObject(&InternetExplorer.Application&)
ie.Visible = True
End Sub比如我要打开百度，那就这样ie.Navigate &&接着你需要等待页面加载While ie.ReadyState && 4 Or ie.Busy = True
Wend好了，百度打开了，是不是很简单，不过你也会说，打开个网页算什么，随便一个程序都可以吧，好吧，咱们下面来实现自动搜索。首先，咱们用VBA在百度的输入框里输入几个文字，百度的输入框的代码如下&input type=&text& name=&wd& id=&kw1& maxlength=&100& style=&width:474& autocomplete=&off&&那我们就可以通过这个id来对输入框进行输入，如下ie.Document.getElementById(&kw1&).value = &hellow world&如果你上面都没有出错的话，&hellow world&应该已经被加入到输入框里了。那么下面用VBA来点击搜索按钮，进行搜索。百度的搜索按钮代码如下&input type=&submit& value=&百度一下& id=&su1& class=&btn& onmousedown=&this.className='btn btn_h'& onmouseout=&this.className='btn'&&看到id了吧，那就简单了，下面这样来点击它ie.Document.getElementById(&su1&).click怎么样，自动搜索完成了吧当然，这只是一个最简单的例子而已，如果没有id怎么办？你也可以下下面这样用它ie.document.all
ie.document.body
ie.document.getElementsByName
ie.document.getElementsByTagName看到了吧，和JS很像，如果你不愿意查相关的API的话，那你就拿JS的操作方法往上面套用吧下面来看另一个页面的结构，比如下面这样&html&
&frameset cols=&25%,50%,25%&&
&frame src=&frame_a.htm& /&
&frame src=&frame_b.htm& /&
&frame src=&frame_c.htm& /&
&/frameset&
&/html&如果你要操作这个页面的子页面，也很简单Dim objFRAME As FramesCollection
Set objFRAME = ie.document.frames
Dim HW As HTMLWindow2
Set HW = objFRAME(1)
HW.document.all
...这个是操作索引为1的子页面，当然你也可以循环所有的子页面，来做的要做的事。上面所介绍的都是先打开一个页面，然后再进行操作，如果需要操作一个已经打开的页面，你需要这样。Dim objShell
As Integer
Set objShell = CreateObject(&Shell.Application&)
For n = objShell.Windows.Count To 1 Step -1
Set objIE = objShell.Windows(n - 1)
If objIE Is Nothing Then
If Right(UCase(objIE.FullName), 12) = &IEXPLORE.EXE& Then
Debug.Print objIE.document.URL '测试，输入URL
If objIE.document.URL = && Then '看看是不是你要的页面
'找到你要操作的页面了，开始处理
Set objShell = Nothingexcel就说这么多了。下面用.net来做，既然前面用了VBA，这里我就不用VB再重复了，换用C＃来实现。打开Visual Studio，新建一个项目，同样，这次你需要引入三个插件HTML Object LibraryMicrosoft Internet ControlsMicrosoft Shell Controls And Automation如图启动IE，并打开百度SHDocVw.InternetExplorer ie = new SHDocVw.InternetExplorer();
ie.DocumentComplete += ie_DocumentC//等待页面读取事件
ie.Navigate(&&);
ie.Visible =等待页面读取你需要加一个事件
private void ie_DocumentComplete(object pDisp, ref object URL)
}然后在设置了URL之后，调用下面的compWait();函数进行等待private bool ie_Read =
private void compWait()
while (ie_Read != true)
Application.DoEvents();
} 获取Documentshtml.HTMLDocument doc = ie.D同样，在输入框里输入文字doc.getElementById(&kw1&).value = &hellow world&;开始搜索。doc.getElementById(&su1&).click();下面利用c＃如何来操作已经打开的浏览器呢？看下面代码public static SHDocVw.InternetExplorer getInternetExploer(string url)
var shell = new Shell32.Shell();
var windows = (SHDocVw.IShellWindows)shell.Windows();
SHDocVw.InternetE
foreach (object window in windows)
ie = window as SHDocVw.InternetE
if (ie != null &&
string.Equals(System.IO.Path.GetFileName(ie.FullName),
&iexplore.exe&, StringComparison.CurrentCultureIgnoreCase))
if (ie.LocationURL == url)
}好了，其他的方法如doc.body
doc.getElementsByName
doc.getElementsByTagName等等，自己套用一下就可以了接下来是frame操作，如下mshtml.HTMLDocument doc2 = ie.D
var frame = doc2.frames.item(0);
var doc = frame.D
doc.getElementById完了，操作方法基本上都大同小异吧。在使用.net来操作浏览器的时候，我发现操作同一个页面时，如果页面发生刷新或者跳转等动作后，程序经常会出bug，网上搜索了一下，发现还真不是我一个人，那如何来避免呢？因为使用.net来第一次操作页面的时候是肯定不会出错的，必须是2次或2次以上才会出现错误，所以我们可以做两个程序，在一个程序中调用另一个，调用完之后，就把它关闭掉，这样每次都相当于启动一个新程序，就不会出bug了。启动一个新程序用下面代码public static void runSubWindow(String command)
ProcessStartInfo psInfo = new ProcessStartInfo();
psInfo.FileName =
psInfo.CreateNoWindow =
psInfo.UseShellExecute =
psInfo.RedirectStandardOutput =
Process p = Process.Start(psInfo);
string output = p.StandardOutput.ReadToEnd();
}传入你的程序的路径，就可以打开它了。有了上面的知识，你可以自由的发挥了，比如你做一个定时程序，在上班时间自动打卡，然后自己接着睡一会儿....嘘！！这绝对不是我说的。demo源码下载今天就介绍这么多了，欢迎继续关注我的博客转载请注明：
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：1367624次
积分：15349
积分：15349
排名：第575名
原创：87篇
译文：27篇
评论：2263条
系统讲解HTML 5 Canvas的基础知识和高级技巧，深入剖析开源库件lufylegend的原理与使用以实例为向导，详细讲解射击游戏、物理游戏、网络游戏等各类游戏的开发思路和技巧
qq交流群：
qq交流群：
文章：27篇
阅读：184922
文章：20篇
阅读：236502
文章：48篇
阅读：691193
三国记是一款以三国时期为背景的战略类游戏，玩家可以任选一名君主，以统一全国为目标。
本游戏以三国为背景，本次更新为第一部黄巾之乱的后续剧情，续作了群雄讨伐董卓，界桥之战以及救援徐州等剧情。
本游戏以三国为背景，玩家在游戏中可以体验三国中的四个经典战役，虎牢关之战，官渡之战，赤壁之战，夷陵之战。
(5)(2)(16)(5)(1)(1)(4)(1)(2)(2)(1)(2)(1)(3)(4)(4)(5)(4)(2)(1)(1)(2)(3)(4)(5)(2)(2)(4)(1)(5)(9)(1)(1)(1)(1)(2)(1)(3)python爬虫抓网页的总结 - 为程序员服务
为程序员服务
python爬虫抓网页的总结
学用python也有3个多月了，用得最多的还是各类爬虫脚本：写过抓代理本机验证的脚本，写过在discuz论坛中自动登录自动发贴的脚本，写过自动收邮件的脚本，写过简单的验证码识别的脚本，本来想写的抓取脚本的，结果有了强大的gmbox，也就不用写了。
这些脚本有一个共性，都是和web相关的，总要用到获取链接的一些方法，再加上simplecd这个半爬虫半网站的项目，累积不少爬虫抓站的经验，在此总结一下，那么以后做东西也就不用重复劳动了。
1.最基本的抓站
import urllib2
content = urllib2.urlopen('http://XXXX').read()
2.使用代理服务器
这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。
import urllib2
proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()
3.需要登录的情况
登录的情况比较麻烦我把问题拆分一下：
3.1 cookie的处理
import urllib2, cookielib
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()
是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为
opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
3.2 表单的处理
登录必要填表，表单怎么填？首先利用工具截取所要填表的内容。
比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包
这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。
好的，有了要填写的数据，我们就要生成postdata
import urllib
postdata=urllib.urlencode({
'username':'XXXXX',
'password':'XXXXX',
'continueURI':'/',
'login_submit':'登录'
然后生成http请求，再发送请求：
req = urllib2.Request(
url = '/signin/*//',
data = postdata
result = urllib2.urlopen(req).read()
3.3 伪装成浏览器访问
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现：
headers = {
'User-Agent':'Mozilla/5.0 (W U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/ Firefox/3.5.6'
req = urllib2.Request(
url = '/signin/*//',
data = postdata,
headers = headers
3.4 反”反盗链”
某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要像3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：
headers = {
'Referer':'/articles'
headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。例如，有些自作聪明的网站总喜欢窥人隐私，别人通过代理访问，他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP，没话说，那就直接把X-Forwarde-For改了吧，可以改成随便什么好玩的东东来欺负欺负他，呵呵。
3.5 终极绝招
有时候即使做了3.1-3.4，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。 再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。
4.多线程并发抓取
单线程太慢的话，就需要多线程了，这里给个简单的线程池模板 这个程序只是简单地打印了1-10，但是可以看出是并发地。
from threading import Thread
from Queue import Queue
from time import sleep
#q是任务队列
#NUM是并发线程总数
#JOBS是有多少任务
q = Queue()
#具体的处理函数，负责处理单个任务
def do_somthing_using(arguments):
print arguments
#这个是工作进程，负责不断从队列取数据并处理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
q.task_done()
#fork NUM个线程等待队列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
#把JOBS排入队列
for i in range(JOBS):
#等待所有JOBS完成
5.验证码的处理
碰到验证码咋办？这里分两种情况处理：
google那种验证码，肉眼看吧
简单的验证码：字符个数有限，只使用了简单的平移或旋转加噪音而没有扭曲的，这种还是有可能可以处理的，一般思路是旋转的转回来，噪音去掉，然后划分单个字符，划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库，然后把验证码和特征库进行比较。这个比较复杂，一篇博文是说不完的，这里就不展开了，具体做法请弄本相关教科书好好研究一下。
事实上有些验证码还是很弱的，这里就不点名了，反正我通过2的方法提取过准确度非常高的验证码，所以2事实上是可行的。
6 gzip/deflate支持
现在的网页普遍支持gzip压缩，这往往可以解决大量传输时间，以VeryCD的主页为例，未压缩版本247K，压缩了以后45K，为原来的1/5。这就意味着抓取速度会快5倍。
然而python的urllib/urllib2默认都不支持压缩，要返回压缩格式，必须在request的header里面写明’accept-encoding’，然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码，很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢？
其实可以继承BaseHanlder类，然后build_opener的方式来处理：
import urllib2
from gzip import GzipFile
from StringIO import StringIO
class ContentEncodingProcessor(urllib2.BaseHandler):
&&&A handler to add gzip capabilities to urllib2 requests &&&
# add headers to requests
def http_request(self, req):
req.add_header(&Accept-Encoding&, &gzip, deflate&)
return req
def http_response(self, req, resp):
old_resp = resp
if resp.headers.get(&content-encoding&) == &gzip&:
gz = GzipFile(
fileobj=StringIO(resp.read()),
resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
resp.msg = old_resp.msg
if resp.headers.get(&content-encoding&) == &deflate&:
gz = StringIO( deflate(resp.read()) )
resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)
# 'class to add info() and
resp.msg = old_resp.msg
return resp
# deflate support
import zlib
def deflate(data):
# zlib only provides the zlib compress format, no
# so on top of all there's this workaround:
return zlib.decompress(data, -zlib.MAX_WBITS)
except zlib.error:
return zlib.decompress(data)
然后就简单了，
encoding_support = ContentEncodingProcessor
opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )
#直接用opener打开网页，如果服务器支持gzip/defalte则自动解压缩
content = opener.open(url).read()
更方便地多线程
总结一文的确提及了一个简单的多线程模板，但是那个东东真正应用到程序里面去只会让程序变得支离破碎，不堪入目。在怎么更方便地进行多线程方面我也动了一番脑筋。先想想怎么进行多线程调用最方便呢？
1、用twisted进行异步I/O抓取
事实上更高效的抓取并非一定要用多线程，也可以使用异步I/O法：直接用twisted的getPage方法，然后分别加上异步I/O结束时的callback和errback方法即可。例如可以这么干：
from twisted.web.client import getPage
from twisted.internet import reactor
links = [ '/topics/%d/'%i for i in range() ]
def parse_page(data,url):
print len(data),url
def fetch_error(error,url):
print error.getErrorMessage(),url
# 批量抓取链接
for url in links:
getPage(url,timeout=5) \
.addCallback(parse_page,url) \ #成功则调用parse_page方法
.addErrback(fetch_error,url)
#失败则调用fetch_error方法
reactor.callLater(5, reactor.stop) #5秒钟后通知reactor结束程序
reactor.run()
twisted人如其名，写的代码实在是太扭曲了，非正常人所能接受，虽然这个简单的例子看上去还好；每次写twisted的程序整个人都扭曲了，累得不得了，文档等于没有，必须得看源码才知道怎么整，唉不提了。
如果要支持gzip/deflate，甚至做一些登陆的扩展，就得为twisted写个新的HTTPClientFactory类诸如此类，我这眉头真是大皱，遂放弃。有毅力者请自行尝试。
这篇讲怎么用twisted来进行批量网址处理的文章不错，由浅入深，深入浅出，可以一看。
2、设计一个简单的多线程抓取类
还是觉得在urllib之类python“本土”的东东里面折腾起来更舒服。试想一下，如果有个Fetcher类，你可以这么调用
f = Fetcher(threads=10) #设定下载线程数为10
for url in urls:
f.push(url)
#把所有url推入下载队列
while f.taskleft(): #若还有未完成下载的线程
content = f.pop()
#从下载完成队列中取出结果
do_with(content) # 处理content内容
这么个多线程调用简单明了，那么就这么设计吧，首先要有两个队列，用Queue搞定，多线程的基本架构也和“技巧总结”一文类似，push方法和pop方法都比较好处理，都是直接用Queue的方法，taskleft则是如果有“正在运行的任务”或者”队列中的任务”则为是，也好办，于是代码如下：
import urllib2
from threading import Thread,Lock
from Queue import Queue
import time
class Fetcher:
def __init__(self,threads):
self.opener = urllib2.build_opener(urllib2.HTTPHandler)
self.lock = Lock() #线程锁
self.q_req = Queue() #任务队列
self.q_ans = Queue() #完成队列
self.threads = threads
for i in range(threads):
t = Thread(target=self.threadget)
t.setDaemon(True)
self.running = 0
def __del__(self): #解构时需等待两个队列完成
time.sleep(0.5)
self.q_req.join()
self.q_ans.join()
def taskleft(self):
return self.q_req.qsize()+self.q_ans.qsize()+self.running
def push(self,req):
self.q_req.put(req)
def pop(self):
return self.q_ans.get()
def threadget(self):
while True:
req = self.q_req.get()
with self.lock: #要保证该操作的原子性，进入critical area
self.running += 1
ans = self.opener.open(req).read()
except Exception, what:
print what
self.q_ans.put((req,ans))
with self.lock:
self.running -= 1
self.q_req.task_done()
time.sleep(0.1) # don't spam
if __name__ == &__main__&:
links = [ '/topics/%d/'%i for i in range() ]
f = Fetcher(threads=10)
for url in links:
f.push(url)
while f.taskleft():
url,content = f.pop()
print url,len(content)
一些琐碎的经验
1、连接池：
opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒钟可以是几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁你的。
然而在正常的html请求时，保持同时和服务器几十个连接又是很正常的一件事，所以完全可以手动维护一个HttpConnection的池，然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动为你维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必装的东东，何必再自找麻烦写连接池呢。
2、设定线程的栈大小
栈大小的设定将非常显著地影响python的内存占用，python多线程不设置这个值会导致程序占用大量内存，这对openvz的vps来说非常致命。stack_size必须大于32768，实际上应该总要32768*2以上
from threading import stack_size
stack_size(32768*16)
3、设置失败后自动重试
def get(self,req,retries=3):
response = self.opener.open(req)
data = response.read()
except Exception , what:
print what,req
if retries&0:
return self.get(req,retries-1)
print 'GET Failed',req
return data
4、设置超时
import socket
socket.setdefaulttimeout(10) #设置10秒后连接超时
登陆更加简化了，首先build_opener中要加入cookie支持，参考“总结”一文；如要登陆VeryCD，给Fetcher新增一个空方法login，并在init()中调用，然后继承Fetcher类并override login方法：
def login(self,username,password):
import urllib
data=urllib.urlencode({'username':username,
'password':password,
'continue':'/',
'login_submit':u'登录'.encode('utf-8'),
'save_cookie':1,})
url = '/signin'
self.opener.open(url,data).read()
于是在Fetcher初始化时便会自动登录VeryCD网站。
如此，把上述所有小技巧都糅合起来就和我目前的私藏最终版的Fetcher类相差不远了，它支持多线程，gzip/deflate压缩，超时设置，自动重试，设置栈大小，自动登录等功能；代码简单，使用方便，性能也不俗，可谓居家旅行，杀人放火，咳咳，之必备工具。
之所以说和最终版差得不远，是因为最终版还有一个保留功能“马甲术”：多代理自动选择。看起来好像仅仅是一个random.choice的区别，其实包含了代理获取，代理验证，代理测速等诸多环节，这就是另一个故事了。
您可能的代码
相关聚客文章
相关专栏文章}