312
Python
Python爬蟲常用技巧總結
1、基本抓取網頁
get方法
importurllib2
respons=urllib2.urlopen(url)
printresponse.read()
post方法
importurllib
importurllib2
url="https://abcde.com"
form={ name : abc , password : 1234 }
form_data=urllib.urlencode(form)
request=urllib2.Request(url,form_data)
response=urllib2.urlopen(request)
printresponse.read()
2、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：
importurllib2
proxy=urllib2.ProxyHandler({ http : 127.0.0.1:8087 })
opener=urllib2.build_opener(proxy)
urllib2.install_opener(opener)
printresponse.read()
3、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模塊用於處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
importurllib2,cookielib
cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content=urllib2.urlopen( https://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，所有過程都不需要單獨去操作。
手動添加cookie
cookie="PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie",cookie)
4、偽裝成瀏覽器
某些網站反感爬蟲的到訪，於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
importurllib2
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= https://my.oschina.net/jhao104/blog?catalog=3463517 ,
headers=headers
)
printurllib2.urlopen(request).read()
5、頁麵解析
對於頁麵解析最強大的當然是正則表達式，這個對於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。
對於這兩個庫，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
6、驗證碼的處理
對於一些簡單的驗證碼，可以進行簡單的識別。本人也隻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，可以通過打碼平台進行人工打碼，當然這是要付費的。
7、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。這尤其適用於 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。
於是需要這樣修改代碼：
importurllib2,httplib
request=urllib2.Request( https://xxxx.com )
request.add_header( Accept-encoding , gzip )1
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
然後就是解壓縮數據：
importStringIO
importgzip
compresseddata=f.read()
compressedstream=StringIO.StringIO(compresseddata)
gzipper=gzip.GzipFile(fileobj=compressedstream)
printgzipper.read()
8、多線程並發抓取
單線程太慢的話，就需要多線程了，這裏給個簡單的線程池模板 這個程序隻是簡單地打印了1-10，但是可以看出是並發的。
雖然說python的多線程很雞肋，但是對於爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
fromthreadingimportThread
fromQueueimportQueue
fromtimeimportsleep
# q是任務隊列
#NUM是並發線程總數
#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
defdo_somthing_using(arguments):
printarguments
#這個是工作進程，負責不斷從隊列取數據並處理
defworking():
whileTrue:
arguments=q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM個線程等待隊列
foriinrange(NUM):
t=Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入隊列
foriinrange(JOBS):
q.put(i)
#等待所有JOBS完成
q.join()
點讚+關注
感謝大家
最後更新：2017-10-08 17:00:14