总结八个好用的Python爬虫技巧

用python也差很少一年多了，python应用最多的场景仍是web快速开发、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。

爬虫在开发过程当中也有不少复用的过程，这里总结一下，之后也能省些事情。

一、基本抓取网页

get方法

 

post方法

 

二、使用代理IP

开发爬虫过程当中常常会遇到IP被封掉的状况，这时就须要用到代理IP；

在urllib2包中有ProxyHandler类，经过此类能够设置代理访问网页，以下代码片断：

 

三、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(一般通过加密)，python提供了cookielib模块用于处理cookies，cookielib模块的主要做用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源.

代码片断：

在学习中有迷茫不知如何学习的朋友小编推荐一个学Python的学习q u n 227  -435-  450能够来了解一块儿进步一块儿学习！

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，全部过程都不须要单独去操做。

手动添加cookie

 

四、假装成浏览器

某些网站反感爬虫的到访，因而对爬虫一概拒绝请求。因此用urllib2直接访问网站常常会出现HTTP Error 403: Forbidden的状况

对有些 header 要特别留意，Server 端会针对这些 header 作检查

1.User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是不是浏览器发起的 Request

2.Content-Type 在使用 REST 接口时，Server 会检查该值，用来肯定 HTTP Body 中的内容该怎样解析。

这时能够经过修改http包中的header来实现，代码片断以下：

 

五、页面解析

对于页面解析最强大的固然是正则表达式，这个对于不一样网站不一样的使用者都不同，就不用过多的说明，

对于这两个库，个人评价是，都是HTML/XML的处理库，Beautifulsoup纯python实现，效率低，可是功能实用，好比能用经过结果搜索得到某个HTML节点的源码；lxmlC语言编码，高效，支持Xpath

六、验证码的处理

对于一些简单的验证码，能够进行简单的识别。本人也只进行过一些简单的验证码识别。可是有些反人类的验证码，好比12306，能够经过打码平台进行人工打码，固然这是要付费的。

七、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服务具备发送压缩数据的能力，这能够将网络线路上传输的大量数据消减 60% 以上。这尤为适用于 XML web 服务，由于 XML 数据 的压缩率能够很高。

可是通常服务器不会为你发送压缩数据，除非你告诉服务器你能够处理压缩数据。

因而须要这样修改代码：

 

这是关键:建立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

而后就是解压缩数据：

 

八、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，可是能够看出是并发的。

虽说python的多线程很鸡肋，可是对于爬虫这种网络频繁型，仍是能必定程度提升效率的。

 

今天的分享就到这里啦，喜欢这篇文章的话，记得转发+评论哦！