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
Python中IPYTHON入门实例
May 11 Python
Python减少循环层次和缩进的技巧分析
Mar 15 Python
Python获取linux主机ip的简单实现方法
Apr 18 Python
Django中url的反向查询的方法
Mar 14 Python
python+splinter实现12306网站刷票并自动购票流程
Sep 25 Python
python实现反转部分单向链表
Sep 27 Python
python按时间排序目录下的文件实现方法
Oct 17 Python
python爬取指定微信公众号文章
Dec 20 Python
python实现udp聊天窗口
Mar 31 Python
python如何安装下载后的模块
Jul 03 Python
python进度条显示之tqmd模块
Aug 22 Python
python实现监听键盘
Apr 26 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
学习php笔记 字符串处理
2010/10/19 PHP
详解PHP的Yii框架中自带的前端资源包的使用
2016/03/31 PHP
基于PHP常用文件函数和目录函数整理
2017/08/17 PHP
JavaScript高级程序设计 DOM学习笔记
2011/09/10 Javascript
使用Math.floor与Math.random取随机整数的方法详解
2013/05/07 Javascript
JavaScript中isPrototypeOf函数作用和使用实例
2015/06/01 Javascript
JS简单实现城市二级联动选择插件的方法
2015/08/19 Javascript
js命名空间写法示例
2015/12/18 Javascript
Javascript设计模式之装饰者模式详解篇
2017/01/17 Javascript
微信小程序 动态绑定事件并实现事件修改样式
2017/04/13 Javascript
js使用i18n实现页面国际化的方法
2017/05/09 Javascript
JavaScript生成图形验证码
2020/08/24 Javascript
layui关闭层级、简单监听的实例
2019/09/06 Javascript
Vue中引入svg图标的两种方式
2021/01/14 Vue.js
[56:42]VP vs RNG 2019国际邀请赛小组赛 BO2 第二场 8.15
2019/08/17 DOTA
[47:52]完美世界DOTA2联赛PWL S2 PXG vs InkIce 第二场 11.26
2020/11/30 DOTA
python实现ip查询示例
2014/03/26 Python
Python实现求数列和的方法示例
2018/01/12 Python
python opencv检测目标颜色的实例讲解
2018/04/02 Python
用python做游戏的细节详解
2019/06/25 Python
python下载库的步骤方法
2019/10/12 Python
numpy.transpose()实现数组的转置例子
2019/12/02 Python
Python识别html主要文本框过程解析
2020/02/18 Python
利用PyQt中的QThread类实现多线程
2020/02/18 Python
django实现将修改好的新模型写入数据库
2020/03/31 Python
让你相见恨晚的十个Python骚操作
2020/11/18 Python
Zadig&Voltaire官网:法国时装品牌
2018/01/05 全球购物
澳大利亚第一旅行车和房车配件店:Caravan RV Camping
2020/12/26 全球购物
如何强制垃圾回收
2015/10/06 面试题
WebSphere 应用服务器都支持哪些认证
2013/12/26 面试题
学校司机岗位职责
2013/11/14 职场文书
监理资料员岗位职责
2014/01/03 职场文书
出纳试用期自我鉴定
2014/04/07 职场文书
小学学校评估方案
2014/06/08 职场文书
党员“四风”问题批评与自我批评思想汇报
2014/10/06 职场文书
《给予树》教学反思
2016/03/03 职场文书