乾貨I Python 爬蟲：8 個常用的爬蟲技巧總結！

用python也差不多一年多了，python應用最多的場景還是web快速開發、爬蟲、自動化運維：寫過簡單網站、寫過自動發帖腳本、寫過收發郵件腳本、寫過簡單驗證碼識別腳本。

爬蟲在開發過程中也有很多複用的過程，這裏總結一下，以後也能省些事情。

1、基本抓取網頁

get方法

import urllib2

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

respons = 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()

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()

3、Cookies處理

cookies是某些網站爲了辨別用戶身份、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模塊用於處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與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()

關鍵在於CookieJar()，它用於管理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實例進行垃圾回收後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、僞裝成瀏覽器

某些網站反感爬蟲的到訪，於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

User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發起的 Request

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

對於頁面解析最強大的當然是正則表達式，這個對於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，對於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
、
對於這兩個庫，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節點的源碼；lxmlC語言編碼，高效，支持Xpath

、
6、驗證碼的處理

對於一些簡單的驗證碼，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，不論怎麼轉碼都是一團亂碼。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。這尤其適用於 XML web 服務，因爲 XML 數據 的壓縮率可以很高。
、
但是一般服務器不會爲你發送壓縮數據，除非你告訴服務器你可以處理壓縮數據。

於是需要這樣修改代碼：

import urllib2, httplib

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

request.add_header('Accept-encoding', 'gzip')        1

opener = urllib2.build_opener()

f = opener.open(request)

這是關鍵:創建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

然後就是解壓縮數據：

import StringIO

import gzip

compresseddata = f.read()

compressedstream = StringIO.StringIO(compresseddata)

gzipper = gzip.GzipFile(fileobj=compressedstream)

print gzipper.read()

8、多線程併發抓取

單線程太慢的話，就需要多線程了，這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是併發的。

雖然說python的多線程很J肋，但是對於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是併發線程總數

#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並處理

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()