偷偷摘套内射激情视频,久久精品99国产国产精,中文字幕无线乱码人妻,中文在线中文a,性爽19p

總結(jié):常用的 Python 爬蟲技巧

大數(shù)據(jù)

 用python也差不多一年多了,python應(yīng)用最多的場(chǎng)景還是web快速開發(fā)、爬蟲、自動(dòng)化運(yùn)維:寫過(guò)簡(jiǎn)單網(wǎng)站、寫過(guò)自動(dòng)發(fā)帖腳本、寫過(guò)收發(fā)郵件腳本、寫過(guò)簡(jiǎn)單驗(yàn)證碼識(shí)別腳本

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

1、基本抓取網(wǎng)頁(yè)

get方法

post方法

2、使用代理IP

在開發(fā)爬蟲過(guò)程中經(jīng)常會(huì)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(guò)此類可以設(shè)置代理訪問(wèn)網(wǎng)頁(yè),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(chǔ)存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過(guò)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(chǔ)cookie的對(duì)象,以便于與urllib2模塊配合使用來(lái)訪問(wèn)Internet資源.

代碼片段:

關(guān)鍵在于CookieJar(),它用于管理HTTP cookie值、存儲(chǔ)HTTP請(qǐng)求生成的cookie、向傳出的HTTP請(qǐng)求添加cookie的對(duì)象。整個(gè)cookie都存儲(chǔ)在內(nèi)存中,對(duì)CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失,所有過(guò)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(duì)爬蟲一律拒絕請(qǐng)求。所以用urllib2直接訪問(wèn)網(wǎng)站經(jīng)常會(huì)出現(xiàn) HTTP Error 403: Forbidden的情況

對(duì)有些 header 要特別留意,Server 端會(huì)針對(duì)這些 header 做檢查:

1.User-Agent 有些 Server 或 Proxy 會(huì)檢查該值,用來(lái)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(huì)檢查該值,用來(lái)確定 HTTP Body 中的內(nèi)容該怎樣解析。

這時(shí)可以通過(guò)修改http包中的header來(lái)實(shí)現(xiàn),代碼片段如下:

5、頁(yè)面解析

對(duì)于頁(yè)面解析***大的當(dāng)然是正則表達(dá)式,這個(gè)對(duì)于不同網(wǎng)站不同的使用者都不一樣,就不用過(guò)多的說(shuō)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(cè)試>>>

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

lxml>>>

BeautifulSoup>>>

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

6、驗(yàn)證碼的處理

對(duì)于一些簡(jiǎn)單的驗(yàn)證碼,可以進(jìn)行簡(jiǎn)單的識(shí)別。本人也只進(jìn)行過(guò)一些簡(jiǎn)單的驗(yàn)證碼識(shí)別。但是有些反人類的驗(yàn)證碼,比如12306,可以通過(guò)打碼平臺(tái)進(jìn)行人工打碼,當(dāng)然這是要付費(fèi)的。

7、gzip壓縮

有沒(méi)有遇到過(guò)某些網(wǎng)頁(yè),不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈,那說(shuō)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(huì)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

這是關(guān)鍵:創(chuàng)建Request對(duì)象,添加一個(gè) Accept-encoding 頭信息告訴服務(wù)器你能接受 gzip 壓縮數(shù)據(jù)

然后就是解壓縮數(shù)據(jù)

8、多線程并發(fā)抓取

單線程太慢的話,就需要多線程了,這里給個(gè)簡(jiǎn)單的線程池模板 這個(gè)程序只是簡(jiǎn)單地打印了1-10,但是可以看出是并發(fā)的。

雖然說(shuō)python的多線程很雞肋,但是對(duì)于爬蟲這種網(wǎng)絡(luò)頻繁型,還是能一定程度提高效率的。

責(zé)任編輯:武曉燕 來(lái)源: 網(wǎng)絡(luò)大數(shù)據(jù)
相關(guān)推薦

2016-10-20 20:21:09

Python爬蟲技巧

2020-10-19 19:25:32

Python爬蟲代碼

2020-06-04 10:49:53

Pandas字符串技巧

2010-03-03 13:12:56

Python圖像處理

2018-01-09 18:06:41

Python爬蟲技巧

2010-01-27 16:35:54

Android常用技巧

2011-09-02 10:06:51

OracleSqlLoad常用技巧

2024-11-27 06:31:02

2018-07-02 14:12:26

Python爬蟲反爬技術(shù)

2020-10-26 08:31:41

Python爬蟲開發(fā)

2019-11-20 12:03:42

Python數(shù)據(jù)爬蟲

2024-01-30 10:11:00

SpringBoot項(xiàng)目開發(fā)

2010-02-23 16:32:14

Python編程

2022-09-06 11:56:08

Python爬蟲技巧

2009-06-17 14:13:10

Eclipse常用技巧

2023-11-22 07:42:01

2010-03-01 17:01:03

Python編程技巧

2020-10-20 14:10:51

Python代碼字符串

2020-02-23 23:29:07

Python編程開發(fā)

2010-03-04 10:16:41

Python應(yīng)用技巧
點(diǎn)贊
收藏

51CTO技術(shù)棧公眾號(hào)