分享八個好用的Python爬蟲技巧(分享八個好用的python爬蟲技巧)
用python也差不多一年多了,python應用最多的場景還是web快速開發(fā)、爬蟲、自動化運維: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、寫過簡單驗證碼識別腳本。
爬蟲在開發(fā)過程中也有很多復用的過程,這里總結一下,以后也能省些事情。
1、基本抓取網(wǎng)頁
get方法
post方法
在這里還是要推薦下我自己建的Python開發(fā)學習全,群里都是學Python開發(fā)的,如果你正在學習Python ,小編歡迎你加入,大家都是軟件開發(fā)黨,不定期分享干貨(只有Python軟件開發(fā)相關的),,歡迎進階中和進想深入Python的小伙伴
2、使用代理IP
開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況,這時就需要用到代理IP;
在urllib2包中有ProxyHandler類,通過此類可以設置代理訪問網(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cookie都存儲在內(nèi)存中,對CookieJar實例進行垃圾回收后cookie也將丟失,所有過程都不需要單獨去操作。
手動添加cookie
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,Server 會檢查該值,用來確定 HTTP Body 中的內(nèi)容該怎樣解析。
這時可以通過修改http包中的header來實現(xiàn),代碼片段如下:
5、頁面解析
對于頁面解析最強大的當然是正則表達式,這個對于不同網(wǎng)站不同的使用者都不一樣,就不用過多的說明,附兩個比較好的網(wǎng)址:
正則表達式入門:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則表達式在線測試:http://tool.oschina.net/regex/
其次就是解析庫了,常用的有兩個lxml和BeautifulSoup,對于這兩個的使用介紹兩個比較好的網(wǎng)站:
lxml:http://my.oschina.net/jhao104/blog/639448
BeautifulSoup:http://cuiqingcai.com/1319.html
對于這兩個庫,我的評價是,都是HTML/XML的處理庫,Beautifulsoup純python實現(xiàn),效率低,但是功能實用,比如能用通過結果搜索獲得某個HTML節(jié)點的源碼;lxmlC語言編碼,高效,支持Xpath
6、驗證碼的處理
對于一些簡單的驗證碼,可以進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。但是有些反人類的驗證碼,比如12306,可以通過打碼平臺進行人工打碼,當然這是要付費的。
7、gzip壓縮
有沒有遇到過某些網(wǎng)頁,不論怎么轉碼都是一團亂碼。哈哈,那說明你還不知道許多web服務具有發(fā)送壓縮數(shù)據(jù)的能力,這可以將網(wǎng)絡線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務,因為 XML 數(shù)據(jù) 的壓縮率可以很高。
但是一般服務器不會為你發(fā)送壓縮數(shù)據(jù),除非你告訴服務器你可以處理壓縮數(shù)據(jù)。
于是需要這樣修改代碼:
這是關鍵:創(chuàng)建Request對象,添加一個 Accept-encoding 頭信息告訴服務器你能接受 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,這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10,但是可以看出是并發(fā)的。
雖然說python的多線程很雞肋,但是對于爬蟲這種網(wǎng)絡頻繁型,還是能一定程度提高效率的。
今天的分享就到這里啦,喜歡這篇文章的話,記得轉發(fā) 評論哦!
如果大家。沒有找到一個好的Python交流群可以加入小編的學習交流群;418775537,里面有資料以及各位同行的學習者分享交流