總結八個好用的Python爬蟲技巧

用python也差很少一年多了，python應用最多的場景仍是web快速開發、爬蟲、自動化運維：寫過簡單網站、寫過自動發帖腳本、寫過收發郵件腳本、寫過簡單驗證碼識別腳本。

爬蟲在開發過程當中也有不少複用的過程，這裏總結一下，之後也能省些事情。

一、基本抓取網頁

get方法

 

post方法

 

二、使用代理IP

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：

 

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：

在學習中有迷茫不知如何學習的朋友小編推薦一個學Python的學習q u n 227  -435-  450能夠來了解一塊兒進步一塊兒學習！

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。

手動添加cookie

 

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：

 

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，

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：

 

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：

 

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。

 

今天的分享就到這裏啦，喜歡這篇文章的話，記得轉發+評論哦！