Python爬蟲技巧有哪些

Python爬蟲技巧有哪些？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

python應用最多的場景還是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。

爬蟲在開發過程中也有很多復用的過程，這里總結一下，以后也能省些事情。

1、基本抓取網頁

get方法

import urllib2
url  "http://www.baidu.com"
respons = 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('http://www.baidu.com')
print response.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。

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，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

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

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

5、頁面解析

對于頁面解析最強大的當然是正則表達式，當然還有BeautifulSoup,lxml,xpath等

6、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。

7、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('http://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()

8、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()

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。