在启用 cookie 的网站上使用 urlretrieve 的多线程网络抓取工具

Question

我正在尝试编写我的第一个 Python 脚本，经过大量谷歌搜索，我认为我已经完成了。然而，我需要一些帮助才能冲过终点线。

我需要编写一个脚本来登录启用 cookie 的站点，抓取一堆链接，然后生成一些进程来下载文件。我的程序以单线程运行，所以我知道代码可以工作。但是，当我尝试创建下载工作人员池时，我遇到了困难。

#manager.py
import Fetch # the module name where worker lives
from multiprocessing import pool

def FetchReports(links,Username,Password,VendorID):
    pool = multiprocessing.Pool(processes=4, initializer=Fetch._ProcessStart, initargs=(SiteBase,DataPath,Username,Password,VendorID,))
    pool.map(Fetch.DownloadJob,links)
    pool.close()
    pool.join()


#worker.py
import mechanize
import atexit

def _ProcessStart(_SiteBase,_DataPath,User,Password,VendorID):
    Login(User,Password)

    global SiteBase
    SiteBase = _SiteBase

    global DataPath
    DataPath = _DataPath

    atexit.register(Logout)

def DownloadJob(link):
    mechanize.urlretrieve(mechanize.urljoin(SiteBase, link),filename=DataPath+'\\'+filename,data=data)
    return True

在此版本中，代码失败，因为 cookie 尚未传输到工作程序以供 urlretrieve 使用。没问题，我能够使用 mechanize 的 .cookiejar 类将 cookie 保存在管理器中，并将它们传递给工作人员。

#worker.py
import mechanize
import atexit

from multiprocessing import current_process

def _ProcessStart(_SiteBase,_DataPath,User,Password,VendorID):
    global cookies
    cookies = mechanize.LWPCookieJar()

    opener = mechanize.build_opener(mechanize.HTTPCookieProcessor(cookies))

    Login(User,Password,opener)  # note I pass the opener to Login so it can catch the cookies.

    global SiteBase
    SiteBase = _SiteBase

    global DataPath
    DataPath = _DataPath

    cookies.save(DataPath+'\\'+current_process().name+'cookies.txt',True,True)

    atexit.register(Logout)

def DownloadJob(link):
    cj = mechanize.LWPCookieJar()
    cj.revert(filename=DataPath+'\\'+current_process().name+'cookies.txt', ignore_discard=True, ignore_expires=True)
    opener = mechanize.build_opener(mechanize.HTTPCookieProcessor(cj))

    file = open(DataPath+'\\'+filename, "wb")
    file.write(opener.open(mechanize.urljoin(SiteBase, link)).read())
    file.close

但是，这失败了，因为 opener（我认为）想要将二进制文件移回管理器进行处理，并且我收到“无法腌制对象”错误消息，指的是它试图读取文件的网页。

显而易见的解决方案是从 cookie jar 中读取 cookie，并在发出 urlretrieve 请求时手动将它们添加到标头中，但我试图避免这种情况，这就是我寻求建议的原因。

Answer 1

以正确的方式创建多线程网络抓取器很困难。我相信你可以处理它，但为什么不使用已经完成的东西呢？

我真的建议你看看 Scrapy http://scrapy.org/

它是一个非常灵活的开源网络爬虫框架也将处理您在这里需要的大部分内容。对于Scrapy，运行并发蜘蛛是一个配置问题，而不是编程问题（http://doc.scrapy.org/topics/settings.html#concurrent-requests-per-spider）。您还将获得对 cookie、代理、HTTP 身份验证等的支持。

对我来说，用 Scrapy 重写我的爬虫程序花了大约 4 个小时。所以请问问自己：你真的想自己解决线程问题，还是愿意爬到别人的肩膀上，专注于网页抓取问题，而不是线程问题？

附言。你现在用的是机械化吗？请从 mechanize 常见问题解答 http://wwwsearch.sourceforge.net/mechanize/faq.html:

“它是线程安全的吗？

不。据我所知，您可以在线程代码中使用 mechanize，但它不提供同步：您必须自己提供同步。”

如果您确实想继续使用 mechanize，请开始阅读有关如何提供同步的文档。 （例如http://effbot.org/zone/thread-synchronization.htm，< a href="http://effbot.org/pyfaq/what-kinds-of-global-value-mutation-are-thread-safe.htm" rel="noreferrer">http://effbot.org/pyfaq/what-kinds-of-global-value-mutation-are-thread-safe.htm)

Answer 2

工作了大半天后，事实证明 Mechanize 不是问题，看起来更像是编码错误。经过大量的调整和咒骂，我已经让代码正常工作了。

对于像我这样的未来 Google 员工，我提供以下更新的代码：

#manager.py [unchanged from original]
def FetchReports(links,Username,Password,VendorID):
    import Fetch
    import multiprocessing

    pool = multiprocessing.Pool(processes=4, initializer=Fetch._ProcessStart, initargs=(SiteBase,DataPath,Username,Password,VendorID,))
    pool.map(Fetch.DownloadJob,_SplitLinksArray(links))
    pool.close()
    pool.join()


#worker.py
import mechanize
from multiprocessing import current_process

def _ProcessStart(_SiteBase,_DataPath,User,Password,VendorID):
    global cookies
    cookies = mechanize.LWPCookieJar()
    opener = mechanize.build_opener(mechanize.HTTPCookieProcessor(cookies))

    Login(User,Password,opener)

    global SiteBase
    SiteBase = _SiteBase

    global DataPath
    DataPath = _DataPath

    cookies.save(DataPath+'\\'+current_process().name+'cookies.txt',True,True)

def DownloadJob(link):
    cj = mechanize.LWPCookieJar()
    cj.revert(filename=DataPath+'\\'+current_process().name+'cookies.txt',True,True)
    opener = mechanize.build_opener(mechanize.HTTPCookieProcessor(cj))

    mechanize.urlretrieve(url=mechanize.urljoin(SiteBase, link),filename=DataPath+'\\'+filename,data=data)

因为我只是从列表中下载链接，所以 mechanize 的非线程安全性质似乎不是问题 [完全披露：我已经运行了这个过程整整三个次，因此在进一步测试中可能会出现问题]。多处理模块及其工作池完成了所有繁重的工作。在文件中维护 cookie 对我来说很重要，因为我从中下载的网络服务器必须为每个线程提供自己的会话 ID，但实现此代码的其他人可能不需要使用它。我确实注意到它似乎“忘记”了 init 调用和 run 调用之间的变量，因此 cookiejar 可能不会跳转。

Answer 3

为了在第一个代码示例中启用 cookie 会话，请将以下代码添加到函数 DownloadJob 中：

cj = mechanize.LWPCookieJar()
opener = mechanize.build_opener(mechanize.HTTPCookieProcessor(cj))
mechanize.install_opener(opener)

然后您就可以像这样检索 url：

mechanize.urlretrieve(mechanize.urljoin(SiteBase, link),filename=DataPath+'\\'+filename,data=data)