總結(jié)：常用的 Python 爬蟲技巧

作者：佚名 2016-10-21 14:35:52

大數(shù)據(jù)

用python也差不多一年多了，python應(yīng)用最多的場景還是web快速開發(fā)、爬蟲、自動化運(yùn)維：寫過簡單網(wǎng)站、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本、寫過簡單驗(yàn)證碼識別腳本

爬蟲在開發(fā)過程中也有很多復(fù)用的過程，這里總結(jié)一下，以后也能省些事情。

1、基本抓取網(wǎng)頁

get方法

post方法

2、使用代理IP

在開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況，這時(shí)就需要用到代理IP;

在urllib2包中有ProxyHandler類，通過此類可以設(shè)置代理訪問網(wǎng)頁，如下代碼片段：

3、Cookies處理

cookies是某些網(wǎng)站為了辨別用戶身份、進(jìn)行session跟蹤而儲存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源.

代碼片段：

關(guān)鍵在于CookieJar()，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個(gè)cookie都存儲在內(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失，所有過程都不需要單獨(dú)去操作。

4、偽裝成瀏覽器

某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網(wǎng)站經(jīng)常會出現(xiàn) HTTP Error 403： Forbidden的情況

對有些 header 要特別留意，Server 端會針對這些 header 做檢查：

1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request

2.Content-Type 在使用 REST 接口時(shí)，Server 會檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。

這時(shí)可以通過修改http包中的header來實(shí)現(xiàn)，代碼片段如下：

5、頁面解析

對于頁面解析***大的當(dāng)然是正則表達(dá)式，這個(gè)對于不同網(wǎng)站不同的使用者都不一樣，就不用過多的說明，附兩個(gè)比較好的網(wǎng)址：

正則表達(dá)式入門>>>

正則表達(dá)式在線測試>>>

其次就是解析庫了，常用的有兩個(gè)lxml和BeautifulSoup，對于這兩個(gè)的使用介紹兩個(gè)比較好的網(wǎng)站：

lxml>>>

BeautifulSoup>>>

對于這兩個(gè)庫，我的評價(jià)是，都是HTML/XML的處理庫，Beautifulsoup純python實(shí)現(xiàn)，效率低，但是功能實(shí)用，比如能用通過結(jié)果搜索獲得某個(gè)HTML節(jié)點(diǎn)的源碼;lxmlC語言編碼，高效，支持Xpath

6、驗(yàn)證碼的處理

對于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識別。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識別。但是有些反人類的驗(yàn)證碼，比如12306，可以通過打碼平臺進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的。

7、gzip壓縮

有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈，那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務(wù)，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高。

但是一般服務(wù)器不會為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)。

于是需要這樣修改代碼