Python常用的爬虫技巧总结


Posted in Python onMarch 28, 2016

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。

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

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:

import urllib2
 
proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')
print response.read()

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:

import urllib2, cookielib
 
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()

    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。

  手动添加cookie

cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; 
kmsign=55d2c12c9b1e3; 
KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)

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

  1.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

  2.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:

import urllib2
 
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'
}
request = urllib2.Request(
  url = 'http://my.oschina.net/jhao104/blog?catalog=3463517',
  headers = headers
)
print urllib2.urlopen(request).read()

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:https://3water.com/article/18526.htm

正则表达式在线测试:http://tools.3water.com/regex/javascript

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:https://3water.com/article/67125.htm

BeautifulSoup:https://3water.com/article/43572.htm

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:

import urllib2, httplib
request = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip')    1
opener = urllib2.build_opener()
f = opener.open(request)

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:

import StringIO
import gzip
 
compresseddata = f.read() 
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream) 
print gzipper.read()

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。

from threading import Thread
from Queue import Queue
from time import sleep
# q是任务队列
#NUM是并发线程总数
#JOBS是有多少任务
q = Queue()
NUM = 2
JOBS = 10
#具体的处理函数,负责处理单个任务
def do_somthing_using(arguments):
  print arguments
#这个是工作进程,负责不断从队列取数据并处理
def working():
  while True:
    arguments = q.get()
    do_somthing_using(arguments)
    sleep(1)
    q.task_done()
#fork NUM个线程等待队列
for i in range(NUM):
  t = Thread(target=working)
  t.setDaemon(True)
  t.start()
#把JOBS排入队列
for i in range(JOBS):
  q.put(i)
#等待所有JOBS完成
q.join()
Python 相关文章推荐
浅谈Python爬取网页的编码处理
Nov 04 Python
python中解析json格式文件的方法示例
May 03 Python
Python编程实战之Oracle数据库操作示例
Jun 21 Python
python实现壁纸批量下载代码实例
Jan 25 Python
Django中Forms的使用代码解析
Feb 10 Python
Python使用微信itchat接口实现查看自己微信的信息功能详解
Aug 22 Python
Pytorch DataLoader 变长数据处理方式
Jan 08 Python
python3格式化字符串 f-string的高级用法(推荐)
Mar 04 Python
python合并多个excel文件的示例
Sep 23 Python
基于python模拟bfs和dfs代码实例
Nov 19 Python
Pytorch如何切换 cpu和gpu的使用详解
Mar 01 Python
解决pytorch-gpu 安装失败的记录
May 24 Python
Python对数据库操作
Mar 28 #Python
Python字符串切片操作知识详解
Mar 28 #Python
python Django框架实现自定义表单提交
Mar 25 #Python
python Django批量导入数据
Mar 25 #Python
python Django批量导入不重复数据
Mar 25 #Python
用Python实现斐波那契(Fibonacci)函数
Mar 25 #Python
Python基础教程之正则表达式基本语法以及re模块
Mar 25 #Python
You might like
3
2006/10/09 PHP
PHP 读取大文件的X行到Y行内容的实现代码
2013/06/24 PHP
php使用数组填充下拉列表框的方法
2015/03/31 PHP
Laravel 登录后清空COOKIE的操作方法
2019/10/14 PHP
PHP的new static和new self的区别与使用
2019/11/27 PHP
JavaScript 错误处理与调试经验总结
2010/08/10 Javascript
jQuery EasyUI API 中文文档 - Tabs标签页/选项卡
2011/10/01 Javascript
JS实现简单的Canvas画图实例
2013/07/04 Javascript
轻松学习jQuery插件EasyUI EasyUI实现拖放商品放置购物车
2015/11/30 Javascript
js获取及修改网页背景色和字体色的方法
2015/12/29 Javascript
JavaScript驾驭网页-获取网页元素
2016/03/24 Javascript
javascript实现不同颜色Tab标签切换效果
2016/04/27 Javascript
Javascript OOP之面向对象
2016/07/31 Javascript
jQuery简单自定义图片轮播插件及用法示例
2016/11/21 Javascript
JS简单验证上传文件类型的方法
2017/04/17 Javascript
vue数据双向绑定的注意点
2017/06/23 Javascript
浅谈JS获取元素的N种方法及其动静态讨论
2017/08/25 Javascript
JavaScript实现离开页面前提示功能【附jQuery实现方法】
2017/09/26 jQuery
JS实现的简单四则运算计算器功能示例
2017/09/27 Javascript
vue引入js数字小键盘的实现代码
2018/05/14 Javascript
浅谈react性能优化的方法
2018/09/05 Javascript
如何在微信小程序中使用骨架屏的步骤
2020/06/12 Javascript
Python黑魔法@property装饰器的使用技巧解析
2016/06/16 Python
python 上下文管理器使用方法小结
2017/10/10 Python
Python高斯消除矩阵
2019/01/02 Python
详解python使用turtle库来画一朵花
2019/03/21 Python
python常用函数与用法示例
2019/07/02 Python
基于Django框架的权限组件rbac实例讲解
2019/08/31 Python
Python中socket网络通信是干嘛的
2020/05/27 Python
新闻网站实习自我鉴定
2013/09/25 职场文书
《少年王冕》教学反思
2014/04/11 职场文书
领导班子四风对照检查材料思想汇报
2014/09/26 职场文书
大学生年度个人总结
2015/02/15 职场文书
机关干部纪律作风整顿心得体会
2016/01/23 职场文书
如何解决goland,idea全局搜索快捷键失效问题
2022/04/03 Golang
MongoDB支持的索引类型
2022/04/11 MongoDB