学爬虫怎么能不会这8个技巧？动态换ip代理都知道

　　【太阳软件】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、网络爬虫、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。

　　网络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、基本抓取网站页面

　　

　　2、使用代理IP

　　在开发网络爬虫过程中经常会遇到IP被封掉的情况，这时就须要用到代理IP;

　　在urllib2包中有ProxyHandler类，通过此类还可以设置代理访问网站页面，如下代码片段：

　　

　　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模块的主要功能是提供可存储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：

　　

　　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，所有过程都不须要单独去操作。

　　手动添加cookie

　　

　　4、伪装成浏览器

　　某些网站反感网络爬虫的到访，于是对网络爬虫一律拒绝请求。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

　　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

　　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。

　　这时还可以通过修改http包中的header来实现，代码片段如下：

　　

　　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，小编的评价是，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;lxmlC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，还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，还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站页面，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，这还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 的压缩率还可以很高。

　　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还可以处理压缩数据。

　　于是须要这样修改代码：

　　

　　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：

　　

　　8、多线程并发抓取

　　单线程太慢的话，就须要多线程了，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，但是还可以看出是并发的。

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

　　

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31561288/viewspace-2636898/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/31561288/viewspace-2636898/