Python 爬虫高手必备的 8 大技巧！

你好，我是坚持分享干货的 EarlGrey，翻译出版过《Python编程无师自通》、《Python并行计算手册》等技术书籍。

如果我的分享对你有帮助，请关注我，一起向上进击。

来源丨网络

想要快速学习爬虫，最值得学习的语言一定是Python，Python应用场景比较多，比如：**Web快速开发、爬虫、自动化运维等等，**可以做简单网站、自动发帖脚本、收发邮件脚本、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，今天就总结一下必备的8大技巧，以后也能省时省力，高效完成任务。

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：

• 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',`    `headers = 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

其次就是解析库了，常用的有两个lxml和BeautifulSoup

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)``gzipper = 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()

- EOF -

文章已经看到这了，别忘了在右下角点个“赞”和“在看”鼓励哦~

推荐阅读 点击标题可跳转

1、Python 项目工程化最佳实践

2、Python 可以比 C 还要快！

3、streamlit，一个超强的 Python 库

4、豆瓣8.9分的C++经典之作，免费送！

5、Python 3.12 版本有什么变化？

点击下方安全链接前往获取

CSDN大礼包：《Python入门&进阶学习资源包》免费分享

👉Python实战案例👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉Python书籍和视频合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉Python副业创收路线👈

这些资料都是非常不错的，朋友们如果有需要《Python学习路线&学习资料》，点击下方安全链接前往获取

CSDN大礼包：《Python入门&进阶学习资源包》免费分享

本文转自网络，如有侵权，请联系删除。