Skip to main content
 首页 » 程序教程

比较常用的Python爬虫技巧总结

2017年02月21日15273j_hao104

用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。原文基于Python2,本人整理过程中修改为Python3。

1、基本抓取网页

get方法

from urllib import request

url = "http://www.baidu.com"
res = request.urlopen(url)
print(res.read())

post方法

from urllib import request
from urllib import parse

url = "http://www.baidu.com/s"
form = {'wd': 'abc'}
form_data = parse.urlencode(form)
form_data = form_data.encode('utf-8')
res = request.urlopen(url, form_data)
print(res.read())

2、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urllib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:

from urllib import request

url = "http://www.baidu.com/s"
proxy = request.ProxyHandler({'http': '27.204.194.125:9999'})
opener = request.build_opener(proxy)
request.install_opener(opener)
res = request.urlopen(url)
print(res.read().decode('utf-8'))

3、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urllib模块配合使用来访问Internet资源.

代码片段:

from urllib import request
from http import cookiejar

url = "http://www.baidu.com/s"
cookie_support = request.HTTPCookieProcessor(cookiejar.CookieJar())
opener = request.build_opener(cookie_support)
request.install_opener(opener)
content = request.urlopen(url).read()
print(content.decode('utf-8'))

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。

4、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:

1.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

2.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:

from urllib import request

url = "http://www.baidu.com/"
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'
}
requests = request.Request(
    url=url,
    headers=headers
)
content = request.urlopen(requests).read()
print(content.decode('utf-8'))

5、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,附两个比较好的网址:

正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正则表达式在线测试:http://tool.oschina.net/regex/

其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:

lxml:http://my.oschina.net/jhao104/blog/639448

BeautifulSoup:http://cuiqingcai.com/1319.html

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

6、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。

7、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:

from urllib import request

url = "http://www.baidu.com/"
requests = request.Request(url)
requests.add_header('Accept-encoding', 'gzip')
opener = request.build_opener()
f = opener.open(request)

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:

from io import StringIO
import gzip

compressed_data = f.read()
compressed_stream = StringIO(compressed_data)
gzipper = gzip.GzipFile(fileobj=compressed_stream)
print(gzipper.read())

8、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。

from threading import Thread
from queue import Queue
from time import sleep

# q是任务队列
# NUM是并发线程总数
# JOBS是有多少任务
q = Queue()
NUM = 2
JOBS = 10


# 具体的处理函数,负责处理单个任务
def do_somthing_using(arguments):
    print(arguments)


# 这个是工作进程,负责不断从队列取数据并处理
def working():
    while True:
        arguments = q.get()
        do_somthing_using(arguments)
        sleep(1)
        q.task_done()


# fork NUM个线程等待队列
for i in range(NUM):
    t = Thread(target=working)
    t.setDaemon(True)
    t.start()
# 把JOBS排入队列
for i in range(JOBS):
    q.put(i)
# 等待所有JOBS完成
q.join()
阅读延展
评论列表3条评论
儿童
儿童回复 文章不错!写的很好我顶!!顶顶顶我踩!我踩踩踩我踩!我踩踩踩
儿童
儿童回复 文章不错!写的很好我顶!!顶顶顶我踩!我踩踩踩[angry][awkward][boom][bye][cry][effort][exclaim][grimace][grin][kiss][laugh][love][mad][neutral][neutral][roll][shutup][surprise][twisted][waii]
大家好
大家好回复 文章不错!写的很好我顶上了
发表评论