实战技巧：python语言的一些爬虫技巧！

今天，大圣众包威客平台借花敬佛，分享j_hao104利用Python来爬虫的经验。j_hao104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。

　　爬虫在开发过程中也有很多复用的过程，这里总结一下其中8条常用的技巧。

　　1.基本抓取网页

　　get方法

　　post方法

　　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，如下为代码片段：

　　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模块以用于处理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。代码片段为下：

　　其中，关键在于CookieJar()，它用于管理HTTPcookie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。

　　4.伪装成浏览器

　　某些网站反感爬虫，于是对爬虫一律拒绝请求。所以用urllib2直接访问网站，就会经常出现HTTPError403：Forbidden的情况。而对有些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HTTPBody中的内容该怎样解析。时可以通过修改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，就不用过多的说明了。

　　其次就是解析库了，常用的有两个，BeautifulSoup和lxml。对于这两个库，我的评价是，都是HTML/XML的处理库，BeautifulSoup是纯Python实现的，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；而lxmlC语言编码，高效，且支持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XMLweb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。其修改代码为这样

　  这里的关键是，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。然后可以解压缩数据了：

　　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来说，还是能在一定程度上提高效率的。