学习 Python 爬虫?总结了八种学习爬虫的常用技巧

基本抓取网页

1.get 方法

2.post 方法

使用代理 IP

在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:

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:

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

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

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。

其次就是解析库了,常用的有两个 lxml 和 BeautifulSoup。

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

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。

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:

这是关键: 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:

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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181013A1SW8I00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券