马哥教育-专业Linux培训|Python培训 | 排名领先的泛Linux运维培训高端品牌 马哥教育-专业Linux培训|Python培训 | 排名领先的泛Linux运维培训高端品牌
国内高端泛运维培训领导品牌

目前您在:首页>最新动态>企业动态

常用的 Python 爬虫技巧

时间:2017年01月01日      作者:马小妹儿

  用python也差不多一年多了,python应用最多的场景还是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。

auto_1173.jpg

  爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。

  1、基本抓取网页

  get方法

  post方法

  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:

  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:

  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。

  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:

  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,附两个比较好的网址:

  正则表达式入门>>>

  正则表达式在线测试>>>

  其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:

  lxml>>>

  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;lxmlC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:

  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:

  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。


原创发布于马哥教育,未经许可,禁止转载
喜欢 | 1
0

猜你喜欢

更多精彩课程

Linux运维工程师

立即学习

Python开发工程师

立即学习

Copyright © 2008-2017 北京马哥教育科技有限公司 版权所有 京ICP备16064699号-2

电话咨询 在线咨询

在线客服
  • 客服2
    点击这里给我发消息
  • 客服1
    点击这里给我发消息