Python爬蟲常用的爬蟲注意事項及技巧

urllib庫爲例進行介紹
中所有代碼需要注意的庫文件名：urllib 、cookielib 、httplib 、StringIO 、gzip 、Thread 、Queue

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())

2、使用代理IP

在開發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
import 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 header 來實現，代碼片段如下：

import urllib2

headers = {
    'User-Agent': 'Mozilla/5.0'
}
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
• 解析庫了，常用的有兩個 lxml 和 BeautifulSoup
• 對於這兩個庫，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；lxml 是C語言編碼，高效，支持Xpath
• 個人比較喜歡使用 xpath 進行頁面解析

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。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
import 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的多線程很雞肋，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()

ps：高強度的爬蟲會對服務器造成很大的壓力，使用時配置好請求速度，合理使用避免造成不良影響