简谈-Python一些常用的爬虫技巧
第一種：基本的網頁抓取
get方法
import?urllib2
url?=?"鏈接
response?=?urllib2.urlopen(url)
print?response.read()
?
post方法
import?urllib
import?urllib2
url?=?"鏈接
form?=?{'name':'abc','password':'1234'}
form_data?=?urllib.urlencode(form)
request?=?urllib2.Request(url,form_data)
response?=?urllib2.urlopen(request)
print?response.read()
第二種：使用代理IP
在開發爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到代理IP；
?
在urllib2包中有ProxyHandler類，通過此類可以設置代理訪問網頁，如下代碼片段：
import?urllib2
proxy?=?urllib2.ProxyHandler({'http':?'127.0.0.1:8087'})
opener?=?urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response?=?urllib2.urlopen('鏈接)
print?response.read()?
第三種：Cookies處理
?
cookies是某些網站為了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(通常經過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源.
?
代碼片段：
import?urllib2,?cookielib
cookie_support=?urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener?=?urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content?=?urllib2.urlopen('http://XXXX').read()
關鍵在于CookieJar()，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內存中，對CookieJar實例進行垃圾回收后cookie也將丟失，所有過程都不需要單獨去操作。
第四種：偽裝為瀏覽器
某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網站經常會出現HTTP Error 403: Forbidden的情況
對有些 header 要特別留意，Server 端會針對這些 header 做檢查
?
1、User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發起的 Request；
2、Content-Type 在使用 REST 接口時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。
?
這時可以通過修改http包中的header來實現，代碼片段如下：
import?urllib2
headers?=?{
????'User-Agent':'Mozilla/5.0?(Windows;?U;?Windows?NT?6.1;?en-US;?rv:1.9.1.6)?Gecko/20091201?Firefox/3.5.6'
}
request?=?urllib2.Request(
????url?=?'鏈接,
????headers?=?headers
)
print?urllib2.urlopen(request).read()
第五種：頁面解析
對于頁面解析最強大的當然是正則表達式，這個對于不同網站不同的使用者都不一樣，就不用過多的說明
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個的使用介紹兩個比較好的網站：
lxml：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
BeautifulSoup：http://cuiqingcai.com/1319.html
對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，但是功能實用，比如能用通過結果搜索獲得某個HTML節點的源碼；lxmlC語言編碼，高效，支持Xpath。
第六種：驗證碼的處理?
對于一些簡單的驗證碼，可以進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。但是有些反人類的驗證碼，比如12306，可以通過打碼平臺進行人工打碼，當然這是要付費的。
?
第七種：gzip壓縮
有沒有遇到過某些網頁，不論怎么轉碼都是一團亂碼。哈哈，那說明你還不知道許多web服務具有發送壓縮數據的能力，這可以將網絡線路上傳輸的大量數據消減 60% 以上。這尤其適用于 XML web 服務，因為 XML 數據 的壓縮率可以很高。
?
但是一般服務器不會為你發送壓縮數據，除非你告訴服務器你可以處理壓縮數據。
?
于是需要這樣修改代碼：
import?urllib2,?httplib
request?=?urllib2.Request('鏈接)
request.add_header('Accept-encoding',?'gzip')??????
opener?=?urllib2.build_opener()
f?=?opener.open(request)
這是關鍵:創建Request對象，添加一個 Accept-encoding 頭信息告訴服務器你能接受 gzip 壓縮數據
然后就是解壓縮數據：
import?StringIO
import?gzip
compresseddata?=?f.read()?
compressedstream?=?StringIO.StringIO(compresseddata)
gzipper?=?gzip.GzipFile(fileobj=compressedstream)?
print?gzipper.read()
第八種：多線程并發抓取
單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發的。
?
雖然說python的多線程很雞肋，但是對于爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
from?threading?import?Thread
from?Queue?import?Queue
from?time?import?sleep
#?q是任務隊列
#NUM是并發線程總數
#JOBS是有多少任務
q?=?Queue()
NUM?=?2
JOBS?=?10
#具體的處理函數，負責處理單個任務
def?do_somthing_using(arguments):
????print?arguments
#這個是工作進程，負責不斷從隊列取數據并處理
def?working():
????while?True:
????????arguments?=?q.get()
????????do_somthing_using(arguments)
????????sleep(1)
????????q.task_done()
#fork?NUM個線程等待隊列
for?i?in?range(NUM):
????t?=?Thread(target=working)
????t.setDaemon(True)
????t.start()
#把JOBS排入隊列
for?i?in?range(JOBS):
????q.put(i)
#等待所有JOBS完成
q.join()
?
轉載于:https://www.cnblogs.com/zccpython/p/6765036.html
總結
以上是生活随笔為你收集整理的简谈-Python一些常用的爬虫技巧的全部內容，希望文章能夠幫你解決所遇到的問題。
