Python爬虫：一些常用的爬虫技巧总结

[[347233]]

用Python也差不多一年多了，Python应用最多的场景还是Web快速开发、爬虫、自动化运维：写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。

爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。

1、基本抓取网页

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()

2、使用代理IP

在开发爬虫过程中经常会遇到IP被封掉的情况，这时就需要用到代理IP；

在urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下代码片段：

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

3、Cookies处理

cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)，python提供了cookielib模块用于处理cookies，cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源。

代码片段：

 
 
 
  
  
  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()

关键在于CookieJar()，它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失，所有过程都不需要单独去操作。

手动添加cookie：

 
 
 
  
  
  cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="    
  
  request.add_header("Cookie", cookie)

4、伪装成浏览器

某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况。

对有些 header 要特别留意，Server 端会针对这些 header 做检查：

1.User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request。

2.Content-Type 在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。

这时可以通过修改http包中的header来实现，代码片段如下：

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

5、页面解析

对于页面解析最强大的当然是正则表达式，这个对于不同网站不同的使用者都不一样，就不用过多的说明，附两个比较好的网址：

正则表达式入门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正则表达式在线测试：

http://tool.oschina.net/regex/

其次就是解析库了，常用的有两个lxml和BeautifulSoup，对于这两个的使用介绍两个比较好的网站：

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

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

对于这两个库，我的评价是，都是HTML/XML的处理库，Beautifulsoup纯python实现，效率低，但是功能实用，比如能用通过结果搜索获得某个HTML节点的源码；lxml C语言编码，高效，支持Xpath。

6、验证码的处理

对于一些简单的验证码，可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码，比如12306，可以通过打码平台进行人工打码，当然这是要付费的。

7、gzip压缩

有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那说明你还不知道许多web服务具有发送压缩数据的能力，这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务，因为 XML 数据的压缩率可以很高。

但是一般服务器不会为你发送压缩数据，除非你告诉服务器你可以处理压缩数据。

于是需要这样修改代码：

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

这是关键：创建Request对象，添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据。

然后就是解压缩数据：

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

8、多线程并发抓取

单线程太慢的话，就需要多线程了，这里给个简单的线程池模板这个程序只是简单地打印了1-10，但是可以看出是并发的。

虽然说Python的多线程很鸡肋，但是对于爬虫这种网络频繁型，还是能一定程度提高效率的。

 
 
 
  
  
  from threading import Thread    
  
  from Queue import Queue    
  
  from time import sleep    
  
  # q是任务队列    
  
  #NUM是并发线程总数    
  
  #JOBS是有多少任务    
  
  q = Queue()    
  
  NUM = 2    
  
  JOBS = 10    
  
  #具体的处理函数，负责处理单个任务    
  
  def do_somthing_using(arguments):    
  
      print arguments    
  
  #这个是工作进程，负责不断从队列取数据并处理    
  
  def working():    
  
      while True:    
  
          arguments = q.get()    
  
          do_somthing_using(arguments)    
  
          sleep(1)    
  
          q.task_done()    
  
  #fork NUM个线程等待队列    
  
  for i in range(NUM):    
  
      t = Thread(target=working)    
  
      t.setDaemon(True)    
  
      t.start()    
  
  #把JOBS排入队列    
  
  for i in range(JOBS):    
  
      q.put(i)    
  
  #等待所有JOBS完成    
  
  q.join()

标题名称：Python爬虫：一些常用的爬虫技巧总结
网页地址：http://www.shufengxianlan.com/qtweb/news20/467020.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源：创新互联

猜你还喜欢下面的内容