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
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。