Python爬蟲:一些常用的爬蟲技巧總結(IP,cookie,header,多執行緒)

sherri_du發表於2016-05-17


http://python.jobbole.com/84622/




用python也差不多一年多了,python應用最多的場景還是web快速開發、爬蟲、自動化運維: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

post方法

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:

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的物件,以便於與urllib2模組配合使用來訪問Internet資源.

程式碼片段:

    關鍵在於CookieJar(),它用於管理HTTP cookie值、儲存HTTP請求生成的cookie、向傳出的HTTP請求新增cookie的物件。整個cookie都儲存在記憶體中,對CookieJar例項進行垃圾回收後cookie也將丟失,所有過程都不需要單獨去操作。

  手動新增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直接訪問網站經常會出現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:

5、頁面解析

    對於頁面解析最強大的當然是正規表示式,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:

正規表示式入門:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 

正規表示式線上測試: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節點的原始碼;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,可以通過打碼平臺進行人工打碼,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服務具有傳送壓縮資料的能力,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傳送壓縮資料,除非你告訴伺服器你可以處理壓縮資料。

於是需要這樣修改程式碼:

這是關鍵:建立Request物件,新增一個 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:

8、多執行緒併發抓取

    單執行緒太慢的話,就需要多執行緒了,這裡給個簡單的執行緒池模板 這個程式只是簡單地列印了1-10,但是可以看出是併發的。

雖然說python的多執行緒很雞肋,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。


相關文章