Python爬蟲：一些常用的爬蟲技巧總結

標籤：

 用python也差不多一年多了，python應用最多的情境還是web快速開發、爬蟲、自動化營運：寫過簡單網站、寫過自動發帖指令碼、寫過收發郵件指令碼、寫過簡單驗證碼識別指令碼。

爬蟲在開發過程中也有很多複用的過程，這裡總結一下，以後也能省些事情。

1、基本抓取網頁get方法?

12345

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

 

post方法?

123456789

import urllibimport 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，通過此類可以設定代理訪問網頁，如下程式碼片段：

?

1234567

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使用者身份、進行session跟蹤而儲存在使用者本地終端上的資料(通常經過加密)，python提供了cookielib模組用於處理cookies，cookielib模組的主要作用是提供可儲存cookie的對象，以便於與urllib2模組配合使用來訪問Internet資源.

程式碼片段：

?

123456

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、儲存HTTP請求產生的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都儲存在記憶體中，對CookieJar執行個體進行記憶體回收後cookie也將丟失，所有過程都不需要單獨去操作。

  手動添加cookie

?

12	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直接存取網站經常會出現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，程式碼片段如下：

?

12345678910

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Regex，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：

Regex入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 

Regex線上測試：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尋獲得某個HTML節點的源碼；lxmlC語言編碼，高效，支援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服務具有發送壓縮資料的能力，這可以將網路線路上傳輸的大量資料消減 60% 以上。這尤其適用於 XML web 服務，因為 XML 資料 的壓縮率可以很高。

但是一般伺服器不會為你發送壓縮資料，除非你告訴伺服器你可以處理壓縮資料。

於是需要這樣修改代碼：

?

12345

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:建立Request對象，添加一個 Accept-encoding 頭資訊告訴伺服器你能接受 gzip 壓縮資料

然後就是解壓縮資料：

?

1234567

import StringIOimport gzip compresseddata = 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 這個程式只是簡單地列印了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。

?

1234567891011121314151617181920212223242526272829

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#這個是背景工作處理序，負責不斷從隊列取資料並處理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()

 

轉載請註明來源：開源中國 http://my.oschina.net/jhao104/blog/647308 

Python爬蟲：一些常用的爬蟲技巧總結