[轉載]python 爬蟲總結

一、基本抓取網頁

get方法

import urllib2

url = "http://www.baidu.com"
response = urllib2.urlopen(url)
print response.read()

post方法

import urllib
import urllib2

url = "http://abcde.com"
form = {'name':'abc','password':'1234'}
form_data = urllib.urlencode(form)
request = urllib2.Request(url,form_data)
response = urllib2.urlopen(request)
print response.read()

二、使用代理IP

在開發爬蟲過程當中常常會遇到IP被封掉的狀況，這時就須要用到代理IP；

在urllib2包中有ProxyHandler類，經過此類能夠設置代理訪問網頁，以下代碼片斷：

import urllib2

proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')
print response.read()

三、Cookies處理

cookies是某些網站爲了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(一般通過加密)，python提供了cookielib模塊用於處理cookies，cookielib模塊的主要做用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源.

代碼片斷：

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()

關鍵在於CookieJar()，它用於管理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實例進行垃圾回收後cookie也將丟失，全部過程都不須要單獨去操做。

四、假裝成瀏覽器

某些網站反感爬蟲的到訪，因而對爬蟲一概拒絕請求。因此用urllib2直接訪問網站常常會出現HTTP Error 403: Forbidden的狀況

對有些 header 要特別留意，Server 端會針對這些 header 作檢查

1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是不是瀏覽器發起的 Request

2.Content-Type 在使用 REST 接口時，Server 會檢查該值，用來肯定 HTTP Body 中的內容該怎樣解析。

這時能夠經過修改http包中的header來實現，代碼片斷以下：

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 = 'http://my.oschina.net/jhao104/blog?catalog=3463517',
    headers = headers
)
print urllib2.urlopen(request).read()

五、頁面解析

對於頁面解析最強大的固然是正則表達式，這個對於不一樣網站不一樣的使用者都不同，就不用過多的說明，附兩個比較好的網址：

正則表達式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正則表達式在線測試：http://tool.oschina.net/regex/

其次就是解析庫了，經常使用的有兩個lxml和BeautifulSoup，對於這兩個的使用介紹兩個比較好的網站：

lxml：http://my.oschina.net/jhao104/blog/639448

BeautifulSoup：http://cuiqingcai.com/1319.html

對於這兩個庫，個人評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，可是功能實用，好比能用經過結果搜索得到某個HTML節點的源碼；lxmlC語言編碼，高效，支持Xpath

六、驗證碼的處理

對於一些簡單的驗證碼，能夠進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。可是有些反人類的驗證碼，好比12306，能夠經過打碼平臺進行人工打碼，固然這是要付費的。

七、gzip壓縮

有沒有遇到過某些網頁，不論怎麼轉碼都是一團亂碼。哈哈，那說明你還不知道許多web服務具備發送壓縮數據的能力，這能夠將網絡線路上傳輸的大量數據消減 60% 以上。這尤爲適用於 XML web 服務，由於 XML 數據 的壓縮率能夠很高。

可是通常服務器不會爲你發送壓縮數據，除非你告訴服務器你能夠處理壓縮數據。

因而須要這樣修改代碼：

import urllib2, httplib
request = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip')        1
opener = urllib2.build_opener()
f = opener.open(request)

這是關鍵:建立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

而後就是解壓縮數據：

import StringIO
import gzip

compresseddata = f.read() 
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream) 
print gzipper.read()

八、多線程併發抓取

單線程太慢的話，就須要多線程了，這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10，可是能夠看出是併發的。

雖說python的多線程很雞肋，可是對於爬蟲這種網絡頻繁型，仍是能必定程度提升效率的。

from threading import Thread
from Queue import Queue
from time import sleep
# q是任務隊列
#NUM是併發線程總數
#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
#這個是工做進程，負責不斷從隊列取數據並處理
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)
#等待全部JOBS完成
q.join()