總結:常用的 Python 爬蟲技巧

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復用的過程,這裡總結一下,以後也能省些事情。

1、基本抓取網頁

get方法

import urllib2url = "http://www.baidu.com"response = urllib2.urlopen(url)print response.read()

post方法

import urllibimport urllib2url = "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 urllib2proxy = 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, cookielibcookie_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、偽裝成瀏覽器

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

1.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

2.Content-Type 在使用 REST 介面時,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 urllib2headers = { 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:Python正則表達式指南

正則表達式在線測試:在線正則表達式測試

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:my.oschina.net/jhao104/

BeautifulSoup:Python爬蟲利器二之Beautiful Soup的用法

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。但是有些反人類的驗證碼,比如12306,可以通過打碼平台進行人工打碼,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,這可以將網路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,因為 XML 數據 的壓縮率可以很高。

但是一般伺服器不會為你發送壓縮數據,除非你告訴伺服器你可以處理壓縮數據。

於是需要這樣修改代碼:

import urllib2, httplibrequest = urllib2.Request(http://xxxx.com)request.add_header(Accept-encoding, gzip) 1opener = urllib2.build_opener()f = opener.open(request)

這是關鍵:創建Request對象,添加一個 Accept-encoding 頭信息告訴伺服器你能接受 gzip 壓縮數據

然後就是解壓縮數據:

import StringIOimport gzipcompresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata)gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read()

8、多線程並發抓取

單線程太慢的話,就需要多線程了,這裡給個簡單的線程池模板 這個程序只是簡單地列印了1-10,但是可以看出是並發的。

雖然說python的多線程很雞肋,但是對於爬蟲這種網路頻繁型,還是能一定程度提高效率的。

from threading import Threadfrom Queue import Queuefrom time import sleep# q是任務隊列#NUM是並發線程總數#JOBS是有多少任務q = Queue()NUM = 2JOBS = 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()

來源:開源中國 Python爬蟲:一些常用的爬蟲技巧總結


推薦閱讀:

轉載《Top 10 Python libraries of 2016》
用爬蟲抓取崑崙決所有選手信息並保存為PDF檔案!(淺談搏擊運動數據分析)
Python 常用的標準庫以及第三方庫有哪些?
第十四章 Python即時網路爬蟲:API說明—下載內容提取器
python如何才能批量生成函數呢?函數名分別等於一個list里的每個元素~?

TAG:爬虫计算机网络 | Python |