**來源：開源中國 **
**鏈接：http://my.oschina.net/jhao104/blog/647308 **
作者： j_hao104
用python也差不多一年多了瀑罗，python應(yīng)用最多的場景還是web快速開發(fā)、爬蟲雏掠、自動化運(yùn)維：寫過簡單網(wǎng)站斩祭、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本乡话、寫過簡單驗(yàn)證碼識別腳本摧玫。
爬蟲在開發(fā)過程中也有很多復(fù)用的過程，這里總結(jié)一下绑青，以后也能省些事情诬像。
1、基本抓取網(wǎng)頁
get方法
import urllib2
url "http://www.baidu.com"
respons = urllib2.urlopen(url)
print response.read()
post方法
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时迫、使用代理IP
在開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況颅停，這時就需要用到代理IP；
在urllib2包中有ProxyHandler類掠拳，通過此類可以設(shè)置代理訪問網(wǎng)頁癞揉，如下代碼片段：
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處理
cookies是某些網(wǎng)站為了辨別用戶身份溺欧、進(jìn)行session跟蹤而儲存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過加密)喊熟，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象姐刁，以便于與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
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()
關(guān)鍵在于CookieJar()芥牌，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie聂使、向傳出的HTTP請求添加cookie的對象壁拉。整個cookie都存儲在內(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失柏靶，所有過程都不需要單獨(dú)去操作弃理。
手動添加cookie
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)
4、偽裝成瀏覽器
某些網(wǎng)站反感爬蟲的到訪屎蜓，于是對爬蟲一律拒絕請求痘昌。所以用urllib2直接訪問網(wǎng)站經(jīng)常會出現(xiàn)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
User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request
Content-Type 在使用 REST 接口時辆苔，Server 會檢查該值算灸，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。
這時可以通過修改http包中的header來實(shí)現(xiàn)驻啤，代碼片段如下：
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菲驴、頁面解析
對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式，這個對于不同網(wǎng)站不同的使用者都不一樣街佑，就不用過多的說明谢翎，附兩個比較好的網(wǎng)址：
正則表達(dá)式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則表達(dá)式在線測試：http://tool.oschina.net/regex/
其次就是解析庫了捍靠，常用的有兩個lxml和BeautifulSoup沐旨，對于這兩個的使用介紹兩個比較好的網(wǎng)站：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
對于這兩個庫，我的評價(jià)是榨婆，都是HTML/XML的處理庫磁携，Beautifulsoup純python實(shí)現(xiàn)，效率低良风，但是功能實(shí)用谊迄，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點(diǎn)的源碼；lxmlC語言編碼烟央，高效统诺，支持Xpath
6、驗(yàn)證碼的處理
對于一些簡單的驗(yàn)證碼疑俭，可以進(jìn)行簡單的識別粮呢。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識別。但是有些反人類的驗(yàn)證碼钞艇，比如12306啄寡，可以通過打碼平臺進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的哩照。
7挺物、gzip壓縮
有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼飘弧。哈哈识藤，那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上次伶。這尤其適用于 XML web 服務(wù)痴昧，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高。
但是一般服務(wù)器不會為你發(fā)送壓縮數(shù)據(jù)学少，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)剪个。
于是需要這樣修改代碼：
import urllib2, httplib
request = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip') 1
opener = urllib2.build_opener()
f = opener.open(request)
這是關(guān)鍵:創(chuàng)建Request對象，添加一個 Accept-encoding 頭信息告訴服務(wù)器你能接受 gzip 壓縮數(shù)據(jù)
然后就是解壓縮數(shù)據(jù)：
import StringIO
import gzip
compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.read()
8、多線程并發(fā)抓取
單線程太慢的話扣囊，就需要多線程了乎折，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發(fā)的侵歇。
雖然說python的多線程很雞肋骂澄，但是對于爬蟲這種網(wǎng)絡(luò)頻繁型，還是能一定程度提高效率的惕虑。
from threading import Thread
from Queue import Queue
from time import sleep
q是任務(wù)隊(duì)列
NUM是并發(fā)線程總數(shù)
JOBS是有多少任務(wù)
q = Queue()
NUM = 2
JOBS = 10
具體的處理函數(shù)坟冲，負(fù)責(zé)處理單個任務(wù)
def do_somthing_using(arguments):
print arguments
這個是工作進(jìn)程，負(fù)責(zé)不斷從隊(duì)列取數(shù)據(jù)并處理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
fork NUM個線程等待隊(duì)列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
把JOBS排入隊(duì)列
for i in range(JOBS):
q.put(i)
等待所有JOBS完成
q.join()
