Python爬蟲的8個常用技巧分別是什么

這篇文章將為大家詳細(xì)講解有關(guān)Python爬蟲的8個常用技巧分別是什么，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

python作為一門高級編程語言，它的定位是優(yōu)雅、明確和簡單。我學(xué)用python差不多一年時間了，用得最多的還是各類爬蟲腳本：寫過抓代理本機(jī)驗證的腳本，寫過論壇中自動登錄自動發(fā)貼的腳本，寫過自動收郵件的腳本，寫過簡單的驗證碼識別的腳本。

這些腳本有一個共性，都是和web相關(guān)的，總要用到獲取鏈接的一些方法，故累積了不少爬蟲抓站的經(jīng)驗，在此總結(jié)一下，那么以后做東西也就不用重復(fù)勞動了。

1、基本抓取網(wǎng)頁

get方法

import urllib2

url = "http://www.baidu.com"

response = urllib2.urlopen(url)

print response.read()

post方法

import urllib

import urllib2

url = "http://abcde.com"

form = {'name':'abc','password':'1234'}

form_data = urllib.urlencode(form)

request = urllib2.Request(url,form_data)

response = urllib2.urlopen(request)

print response.read()

2.使用代理服務(wù)器

這在某些情況下比較有用，比如IP被封了，或者比如IP訪問的次數(shù)受到限制等等。

import urllib2

proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})

opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)

urllib2.install_opener(opener)

content = urllib2.urlopen('http://XXXX').read()

3.Cookies處理

import urllib2, cookielib

cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())

opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)

urllib2.install_opener(opener)

content = urllib2.urlopen('http://XXXX').read()

是的沒錯，如果想同時用代理和cookie，那就加入proxy_support然后operner改為

opener=urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

4.偽裝成瀏覽器訪問

某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現(xiàn)：

headers = {

    'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

}

req = urllib2.Request(

    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',

    data = postdata,

    headers = headers

)

5、頁面解析

對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)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。

其次就是解析庫了，常用的有兩個lxml和BeautifulSoup。

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(jié)果搜索獲得某個HTML節(jié)點(diǎn)的源碼；lxmlC語言編碼，高效，支持Xpath。

6.驗證碼的處理

碰到驗證碼咋辦？這里分兩種情況處理：

google那種驗證碼，沒辦法。

簡單的驗證碼：字符個數(shù)有限，只使用了簡單的平移或旋轉(zhuǎn)加噪音而沒有扭曲的，這種還是有可能可以處理的，一般思路是旋轉(zhuǎn)的轉(zhuǎn)回來，噪音去掉，然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，然后把驗證碼和特征庫進(jìn)行比較。這個比較復(fù)雜，這里就不展開了，具體做法請弄本相關(guān)教科書好好研究一下。

7. gzip/deflate支持

現(xiàn)在的網(wǎng)頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，以VeryCD的主頁為例，未壓縮版本247K，壓縮了以后45K，為原來的1/5。這就意味著抓取速度會快5倍。

然而python的urllib/urllib2默認(rèn)都不支持壓縮，要返回壓縮格式，必須在request的header里面寫明’accept-encoding’，然后讀取response后更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。如何讓urllib2自動支持gzip, defalte呢？

其實可以繼承BaseHanlder類，然后build_opener的方式來處理：

import urllib2

from gzip import GzipFile

from StringIO import StringIO

class ContentEncodingProcessor(urllib2.BaseHandler):

  """A handler to add gzip capabilities to urllib2 requests """

  # add headers to requests

  def http_request(self, req):

    req.add_header("Accept-Encoding", "gzip, deflate")

    return req

  # decode

  def http_response(self, req, resp):

    old_resp = resp

    # gzip

    if resp.headers.get("content-encoding") == "gzip":

        gz = GzipFile(

                    fileobj=StringIO(resp.read()),

                    mode="r"

                  )

        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)

        resp.msg = old_resp.msg

    # deflate

    if resp.headers.get("content-encoding") == "deflate":

        gz = StringIO( deflate(resp.read()) )

        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)  # 'class to add info() and

        resp.msg = old_resp.msg

    return resp

# deflate support

import zlib

def deflate(data):  # zlib only provides the zlib compress format, not the deflate format;

  try:              # so on top of all there's this workaround:

    return zlib.decompress(data, -zlib.MAX_WBITS)

  except zlib.error:

    return zlib.decompress(data)

然后就簡單了，

encoding_support = ContentEncodingProcessor

opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )

#直接用opener打開網(wǎng)頁，如果服務(wù)器支持gzip/defalte則自動解壓縮

content = opener.open(url).read()

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(luò)頻繁型，還是能一定程度提高效率的。

from threading import Thread

from Queue import Queue

from time import sleep

# q是任務(wù)隊列

#NUM是并發(fā)線程總數(shù)

#JOBS是有多少任務(wù)

q = Queue()

NUM = 2

JOBS = 10

#具體的處理函數(shù)，負(fù)責(zé)處理單個任務(wù)

def do_somthing_using(arguments):

    print arguments

#這個是工作進(jìn)程，負(fù)責(zé)不斷從隊列取數(shù)據(jù)并處理

def working():

while True:

arguments = q.get()

do_somthing_using(arguments)

sleep(1)

q.task_done()

#fork NUM個線程等待隊列

for i in range(NUM):

t = Thread(target=working)

t.setDaemon(True)

t.start()

#把JOBS排入隊列

for i in range(JOBS):

q.put(i)

#等待所有JOBS完成

q.join()

9. 總結(jié)

閱讀Python編寫的代碼感覺像在閱讀英語一樣，這讓使用者可以專注于解決問題而不是去搞明白語言本身。Python雖然是基于C語言編寫，但是摒棄了C中復(fù)雜的指針，使其變得簡明易學(xué)。并且作為開源軟件，Python允許對代碼進(jìn)行閱讀，拷貝甚至改進(jìn)。這些性能成就了Python的高效率，有“人生苦短，我用Python”之說，是一種十分精彩又強(qiáng)大的語言。

總而言之，開始學(xué)Python一定要注意這4點(diǎn)：

1.代碼規(guī)范，這本身就是一個非常好的習(xí)慣，如果開始不養(yǎng)好好的代碼規(guī)劃，以后會很痛苦。

2.多動手，少看書，很多人學(xué)Python就一味的看書，這不是學(xué)數(shù)學(xué)物理，你看例題可能就會了，學(xué)習(xí)Python主要是學(xué)習(xí)編程思想。

3.勤練習(xí)，學(xué)完新的知識點(diǎn)，一定要記得如何去應(yīng)用，不然學(xué)完就會忘，學(xué)我們這行主要都是實際操作。

4.學(xué)習(xí)要有效率，如果自己都覺得效率非常低，那就停不停，找一下原因，去問問過來人這是為什么。

關(guān)于Python爬蟲的8個常用技巧分別是什么就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。