zoukankan      html  css  js  c++  java

  • Python爬虫：一些常用的爬虫技巧总结

     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。

    1、基本抓取网页

    get方法

    ?
    1
    2
    3
    4
    5
    import urllib2
     
    url = "http://www.baidu.com"
    response = urllib2.urlopen(url)
    print response.read()

    post方法

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    import urllib
    import 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：

    ?
    1
    2
    3
    4
    5
    6
    7
    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：

    ?
    1
    2
    3
    4
    5
    6
    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()

        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

    ?
    1
    2
    cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
    request.add_header("Cookie", cookie)

    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：

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    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、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：

    ?
    1
    2
    3
    4
    5
    import urllib2, httplib
    request = urllib2.Request('http://xxxx.com')
    request.add_header('Accept-encoding', 'gzip')        1
    opener = urllib2.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：

    ?
    1
    2
    3
    4
    5
    6
    7
    import StringIO
    import gzip
     
    compresseddata = f.read() 
    compressedstream = StringIO.StringIO(compresseddata)
    gzipper = gzip.GzipFile(fileobj=compressedstream) 
    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。

    ?
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    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()

    转载请注明来源：开源中国 http://my.oschina.net/jhao104/blog/647308 
  • 相关阅读:
    项目不能imports同名命名空间
    表格分页
    关于Web Post信息的编码
    JJHIS构想
    asp.net客户端传参的小结
    注销类业务的处理
    枚举类型的一些用法总结
    MO功能使能情况
    在内嵌页面得到某个内嵌页面所在的frame
    不同包里的全局变量定义方式及系统配置处理
  • 原文地址：https://www.cnblogs.com/RayMin/p/5358887.html
Copyright © 2011-2022 走看看