用python爬虫抓站的一些技巧总结

1. [代码]最基本的抓站    

?
1
2
import urllib2
content = urllib2.urlopen( 'http://XXXX' ).read()

2. [代码]使用代理服务器    

?
1
2
3
4
5
import urllib2
proxy_support = urllib2.ProxyHandler({ 'http' : 'http://XX.XX.XX.XX:XXXX' })
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen( 'http://XXXX' ).read()

3. [代码]需要登录的情况:    

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
#1 cookie的处理
 
import urllib2, cookielib
cookie_support = urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
content = urllib2.urlopen( 'http://XXXX' ).read()
 
#2 用代理和cookie
 
opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)
 
#3 表单的处理
 
import urllib
postdata = urllib.urlencode({
     'username' : 'XXXXX' ,
     'password' : 'XXXXX' ,
     'continueURI' : 'http://www.verycd.com/' ,
     'fk' :fk,
     'login_submit' : '登录'
})
 
req = urllib2.Request(
     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/' ,
     data = postdata
)
result = urllib2.urlopen(req).read()
 
#4 伪装成浏览器访问
 
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'
}
req = urllib2.Request(
     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/' ,
     data = postdata,
     headers = headers
)
 
#5 反”反盗链”
 
headers = {
     'Referer' : 'http://www.cnbeta.com/articles'
}

4. [代码]多线程并发抓取    

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
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()
举报

转载于:https://www.cnblogs.com/giserliu/p/4016331.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值