帶你入門Python爬蟲，8個常用爬蟲技巧盤點

python作為一門高階程式語言，它的定位是優雅、明確和簡單。

我學用python差不多一年時間了，

用得最多的還是各類爬蟲指令碼，

寫過抓代理本機驗證的指令碼、寫過論壇中自動登入自動發貼的指令碼

寫過自動收郵件的指令碼、寫過簡單的驗證碼識別的指令碼。

這些指令碼有一個共性，都是和web相關的，

總要用到獲取連結的一些方法，故累積了不少爬蟲抓站的經驗，

在此總結一下，那麼以後做東西也就不用重複勞動了。

如果你在學習Python的過程中遇見了很多疑問和難題，可以加-q-u-n   227 -435-450裡面有軟體視訊資料免費領取

1、基本抓取網頁

get方法

post方法

2.使用代理伺服器

這在某些情況下比較有用，

比如IP被封了，或者比如IP訪問的次數受到限制等等。

3.Cookies處理

是的沒錯，如果想同時用代理和cookie，

那就加入proxy_support然後operner改為 ，如下：

4.偽裝成瀏覽器訪問

某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求。

這時候我們需要偽裝成瀏覽器，

這可以通過修改http包中的header來實現：

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。

其次就是解析庫了，常用的有兩個lxml和BeautifulSoup。

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

碰到驗證碼咋辦？

這裡分兩種情況處理：

google那種驗證碼，沒辦法。

簡單的驗證碼：字元個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，

這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，

然後劃分單個字元，劃分好了以後再通過特徵提取的方法(例如PCA)降維並生成特徵庫，

然後把驗證碼和特徵庫進行比較。

這個比較複雜，這裡就不展開了，

具體做法請弄本相關教科書好好研究一下。

7. gzip/deflate支援

現在的網頁普遍支援gzip壓縮，這往往可以解決大量傳輸時間，

以VeryCD的主頁為例，未壓縮版本247K，壓縮了以後45K，為原來的1/5。

這就意味著抓取速度會快5倍。

然而python的urllib/urllib2預設都不支援壓縮

要返回壓縮格式，必須在request的header裡面寫明’accept-encoding’，

然後讀取response後更要檢查header檢視是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。

如何讓urllib2自動支援gzip, defalte呢？

其實可以繼承BaseHanlder類，

然後build_opener的方式來處理：

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。

9. 總結

閱讀Python編寫的程式碼感覺像在閱讀英語一樣，這讓使用者可以專注於解決問題而不是去搞明白語言本身。

Python雖然是基於C語言編寫，但是摒棄了C中複雜的指標，使其變得簡明易學。

並且作為開源軟體，Python允許對程式碼進行閱讀，拷貝甚至改進。

這些效能成就了Python的高效率，有“人生苦短，我用Python”之說，是一種十分精彩又強大的語言。

總而言之，開始學Python一定要注意這4點：

1.程式碼規範，這本身就是一個非常好的習慣，如果開始不養好好的程式碼規劃，以後會很痛苦。

2.多動手，少看書，很多人學Python就一味的看書，這不是學數學物理，你看例題可能就會了，學習Python主要是學習程式設計思想。

3.勤練習，學完新的知識點，一定要記得如何去應用，不然學完就會忘，學我們這行主要都是實際操作。

4.學習要有效率，如果自己都覺得效率非常低，那就停不停，找一下原因，去問問過來人這是為什麼。