您的位置:首页 > 新闻资讯 >文章内容
常用8种Python爬虫技巧
来源:互联网 作者:admin 时间:2019-09-01 10:18:27

  开展爬虫工作都会需要用到代理IP,对于爬虫的学习者来说,其实在Python爬虫操作的时候,会有很多重复的常用操作。掌握这些代码能够为爬虫工作节省不少时间,下面为大家总结了8个常用的技巧,一起来看看。


常用8种Python爬虫技巧


  1、使用代理IP


  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:


  importurllib2

  proxy = urllib2.ProxyHandler({http : 127.0.0.1:80888 })

  opener = urllib2.build_opener(proxy)

  urllib2.install_opener(opener)

  response = urllib2.urlopen(http://www.baidu.com )

  print(response.read)


  2、基本抓取网页


  get方法

  importurllib2

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

  response = urllib2.urlopen(url)

  print(response.read)

  post方法

  importurllib

  importurllib2

  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)


  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:


  importurllib2, 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、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。


  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:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

  正则表达式在线测试:http://tool.oschina.net/regex/

  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:http://my.oschina.net/jhao104/blog/639448

  BeautifulSoup:http://cuiqingcai.com/1319.html

  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、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:


  importurllib2

  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://ip.zdaye.com/know/s/3076.html ,

  headers = headers

  )

  print(urllib2.urlopen(request).read)


  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:


  importurllib2, httplib

  request = urllib2.Request(http://xxxx.com )

  request.add_header(Accept-encoding , gzip ) 1

  opener = urllib2.build_opener

  f = opener.open(request)


  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 StringIOimport gzipcompresseddata = 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。


  fromthreading importThread

  fromQueue importQueue

  fromtime importsleep

  # 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

  defdo_somthing_using(arguments):

  printarguments

  #这个是工作进程,负责不断从队列取数据并处理

  defworking:

  whileTrue:

  arguments = q.get

  do_somthing_using(arguments)

  sleep(1)

  q.task_done

  #fork NUM个线程等待队列

  fori inrange(NUM):

  t = Thread(target=working)

  t.setDaemon(True)

  t.start

  #把JOBS排入队列

  fori inrange(JOBS):

  q.put(i)

  #等待所有JOBS完成

  q.join


相关文章内容简介
推荐阅读
  • 10 2020-08
    网络爬虫的几个基本原理

    计算机网络本质上是一种传播工具,方便人们更好的相互交流。计算机网络将原本世界上各个孤立的网络连接起来,由很多子网络进而形成一个非常大的网络,即万维网。这个时候人们通过网络

  • 25 2019-12
    代理IP有多少种?

    代理IP有多少种?现在随着互联网技术的发展,很多人都喜欢使用代理ip软件来更换自身ip地址从而提高工作的效率,那么你又知不知道其实代理ip有许多不同的种类,下面机灵代理就为大家简单的

  • 24 2019-05
    爬虫爬取要设置代理IP

    爬虫爬取要设置代理IP,这是必须的事情,不然突破不了IP限制,自然也就爬取不了了。或者爬一下就停一下,或者控制爬取的频率,不过这些都不是长久之计。

  • 13 2019-04
    代码分享:验证代理IP的有效性

    找到代理IP时,首先要先去验证下,看看这商家的代理IP质量怎么样,比如机灵代理这类的商家都是提供全国的IP,其中的IP效果也不知道,最好是先验证下.

  • 29 2019-05
    代理IP帮助直播提高点击

    代理IP帮助直播提高点击,这个方法是否可行?近几年直播平台发展非常火爆,直播已经成为当下时代的一种潮流,无论你在哪,肯定都会发现身边的人在玩直播。很多有才艺的主播们投身于直

  • 11 2019-06
    http代理之间的级联

    http代理之间的级联,二次代理,大家知道这是什么吗?其实二次代理就是两个代理的级联,有很多Proxy Server本来就支持级联,如Winproxy、Wingate,不是我们自己开代理,只是使用代理,所以不讨

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部