為什麼零基礎會入不了Python爬蟲的門？8個常用技巧助你一臂之力

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。

1、基本抓取網頁

get方法

import urllib2

url = "

response = urllib2.urlopen(url)

print response.read()

post方法

import urllib

import urllib2

url = "

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。

import urllib2

proxy_support = urllib2.ProxyHandler({'http':'})

opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)

urllib2.install_opener(opener)

content = urllib2.urlopen(').read()

3.Cookies處理

import urllib2, cookielib

cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())

opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)

urllib2.install_opener(opener)

content = urllib2.urlopen(').read()

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

opener=urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

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，這可以透過修改http包中的header來實現：

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'

}

req = urllib2.Request(

    url = 'http://secure.verycd.com/signin/*/

    data = postdata,

    headers = headers

)

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，比如能用透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，劃分好了以後再透過特徵提取的方法(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：

import urllib2

from gzip import GzipFile

from StringIO import StringIO

class ContentEncodingProcessor(urllib2.BaseHandler):

  """A handler to add gzip capabilities to urllib2 requests """

  # add headers to requests

  def http_request(self, req):

    req.add_header("Accept-Encoding", "gzip, deflate")

    return req

  # decode

  def http_response(self, req, resp):

    old_resp = resp

    # gzip

    if resp.headers.get("content-encoding") == "gzip":

        gz = GzipFile(

                    fileobj=StringIO(resp.read()),

                    mode="r"

                  )

        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)

        resp.msg = old_resp.msg

    # deflate

    if resp.headers.get("content-encoding") == "deflate":

        gz = StringIO( deflate(resp.read()) )

        resp = urllib2.addinfourl(gz, old_resp.headers, old_resp.url, old_resp.code)  # 'class to add info() and

        resp.msg = old_resp.msg

    return resp

# deflate support

import zlib

def deflate(data):  # zlib only provides the zlib compress format, not the deflate format;

  try:              # so on top of all there's this workaround:

    return zlib.decompress(data, -zlib.MAX_WBITS)

  except zlib.error:

    return zlib.decompress(data)

然後就簡單了，

encoding_support = ContentEncodingProcessor

opener = urllib2.build_opener( encoding_support, urllib2.HTTPHandler )

#直接用opener開啟網頁，如果伺服器支援gzip/defalte則自動解壓縮

content = opener.open(url).read()

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。

from threading import Thread

from Queue import Queue

from time import sleep

# q是任務佇列

#NUM是併發執行緒總數

#JOBS是有多少任務

q = Queue()

NUM = 2

JOBS = 10

#具體的處理函式，負責處理單個任務

def do_somthing_using(arguments):

    print arguments

#這個是工作程式，負責不斷從佇列取資料並處理

def working():

while True:

arguments = q.get()

do_somthing_using(arguments)

sleep(1)

q.task_done()

#fork NUM個執行緒等待佇列

for i in range(NUM):

t = Thread(target=working)

t.setDaemon(True)

t.start()

#把JOBS排入佇列

for i in range(JOBS):

q.put(i)

#等待所有JOBS完成

q.join()

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，複製甚至改進。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。

加我VX：ww-51testing   回覆關鍵詞“測試”領取限量軟體測試學習資料哦~~