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377114j_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14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
八角网赚站
八角网赚站回复 博主有一段时间没更新了啊
百万链
百万链回复 有幸访问到贵站,“百万链”期待你的加入!
头条
头条回复 文章不错非常喜欢
源码交易
源码交易回复 文章不错非常喜欢
外汇账户托管
外汇账户托管回复 文章不错!写的很好我顶上。。。
百万链
百万链回复 2017年的文章了?
丘八
丘八回复 简洁实用,好文章!
棋游之家
棋游之家回复 这个爬虫技巧不错
贵阳捉鸡麻将下载
贵阳捉鸡麻将下载回复 爬虫技术不错
妙文屋
妙文屋回复 写的很好,很喜欢
期货资讯
期货资讯回复 爬虫技术不错哟
发表评论