一些常用的爬蟲技巧總結

來源：j_hao104 ?鏈接：

https://my.oschina.net/jhao104/blog/647308?fromerr=KzH2VGaK

Python應用最多的場景還是Web快速開發(fā)、爬蟲、自動化運維：寫過簡單網站、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本、寫過簡單驗證碼識別腳本。

但對于很多新手在自己實踐的時候還是無從下手，今天就簡單給大家介紹一些入門的的知識，以后慢慢進階！

1、基本抓取網頁

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IP

在開發(fā)爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到代理IP；

在urllib2包中有ProxyHandler類，通過此類可以設置代理訪問網頁，如下代碼片段：

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處理

cookies是某些網站為了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(通常經過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源。

代碼片段：

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()

關鍵在于CookieJar()，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內存中，對CookieJar實例進行垃圾回收后cookie也將丟失，所有過程都不需要單獨去操作。

手動添加cookie：

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

4、偽裝成瀏覽器

某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網站經常會出現HTTP Error 403: Forbidden的情況。

對有些 header 要特別留意，Server 端會針對這些 header 做檢查：

1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request。

2.Content-Type 在使用 REST 接口時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。

這時可以通過修改http包中的header來實現，代碼片段如下：

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、頁面解析

對于頁面解析最強大的當然是正則表達式，這個對于不同網站不同的使用者都不一樣，就不用過多的說明，附兩個比較好的網址：

正則表達式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正則表達式在線測試：http://tool.oschina.net/regex/

其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個的使用介紹兩個比較好的網站：

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

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

對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，但是功能實用，比如能用通過結果搜索獲得某個HTML節(jié)點的源碼；lxml C語言編碼，高效，支持Xpath。

6、驗證碼的處理

對于一些簡單的驗證碼，可以進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。但是有些反人類的驗證碼，比如12306，可以通過打碼平臺進行人工打碼，當然這是要付費的。

7、gzip壓縮

有沒有遇到過某些網頁，不論怎么轉碼都是一團亂碼。哈哈，那說明你還不知道許多web服務具有發(fā)送壓縮數據的能力，這可以將網絡線路上傳輸的大量數據消減 60% 以上。這尤其適用于 XML web 服務，因為 XML 數據 的壓縮率可以很高。

但是一般服務器不會為你發(fā)送壓縮數據，除非你告訴服務器你可以處理壓縮數據。

于是需要這樣修改代碼：

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

這是關鍵：創(chuàng)建Request對象，添加一個 Accept-encoding 頭信息告訴服務器你能接受 gzip 壓縮數據。

然后就是解壓縮數據：

import StringIO
import gzip

compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.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絡頻繁型，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是任務隊列
#NUM是并發(fā)線程總數
#JOBS是有多少任務
q = Queue()
NUM = 2
JOBS = 10
#具體的處理函數，負責處理單個任務
def do_somthing_using(arguments):
 ? ?print arguments
#這個是工作進程，負責不斷從隊列取數據并處理
def working():
 ? ?whileTrue:
 ? ? ? ?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()