姓名：曹筵東 ? 學(xué)號(hào)：17021211251
轉(zhuǎn)載自碼農(nóng)網(wǎng)
【嵌牛導(dǎo)讀】：Python應(yīng)用最多的場(chǎng)景是web快速開(kāi)發(fā)履磨、爬蟲(chóng)蛉抓、自動(dòng)化運(yùn)維：寫(xiě)過(guò)簡(jiǎn)單網(wǎng)站、寫(xiě)過(guò)自動(dòng)發(fā)帖腳本剃诅、寫(xiě)過(guò)收發(fā)郵件腳本巷送、寫(xiě)過(guò)簡(jiǎn)單驗(yàn)證碼識(shí)別腳本。爬蟲(chóng)在開(kāi)發(fā)過(guò)程中也有很多復(fù)用的過(guò)程矛辕，我們?cè)谶@里做一下總結(jié)笑跛。
【嵌牛鼻子】：利用Python開(kāi)發(fā)爬蟲(chóng)
【嵌牛提問(wèn)】：遇到IP被封掉的情況怎么辦？如何應(yīng)對(duì)某些網(wǎng)站反感爬蟲(chóng)的到訪聊品？如何通過(guò)服務(wù)器獲取壓縮數(shù)據(jù)飞蹂？
【嵌牛正文】：
1、基本抓取網(wǎng)頁(yè)
get方法
post方法
2翻屈、使用代理IP
在開(kāi)發(fā)爬蟲(chóng)過(guò)程中經(jīng)常會(huì)遇到IP被封掉的情況陈哑，這時(shí)就需要用到代理IP；
在urllib2包中有ProxyHandler類(lèi)伸眶，通過(guò)此類(lèi)可以設(shè)置代理訪問(wèn)網(wǎng)頁(yè)惊窖，如下代碼片段：
3、Cookies處理
cookies是某些網(wǎng)站為了辨別用戶身份厘贼、進(jìn)行session跟蹤而儲(chǔ)存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過(guò)加密)界酒，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(chǔ)cookie的對(duì)象嘴秸，以便于與urllib2模塊配合使用來(lái)訪問(wèn)Internet資源.
代碼片段：
關(guān)鍵在于CookieJar()毁欣，它用于管理HTTP cookie值庇谆、存儲(chǔ)HTTP請(qǐng)求生成的cookie、向傳出的HTTP請(qǐng)求添加cookie的對(duì)象凭疮。整個(gè)cookie都存儲(chǔ)在內(nèi)存中饭耳，對(duì)CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失，所有過(guò)程都不需要單獨(dú)去操作哭尝。
4哥攘、偽裝成瀏覽器
某些網(wǎng)站反感爬蟲(chóng)的到訪剖煌，于是對(duì)爬蟲(chóng)一律拒絕請(qǐng)求材鹦。所以用urllib2直接訪問(wèn)網(wǎng)站經(jīng)常會(huì)出現(xiàn)HTTP Error 403: Forbidden的情況
對(duì)有些 header 要特別留意，Server 端會(huì)針對(duì)這些 header 做檢查
1.User-Agent 有些 Server 或Proxy 會(huì)檢查該值耕姊，用來(lái)判斷是否是瀏覽器發(fā)起的 Request
2.Content-Type 在使用 REST 接口時(shí)桶唐，Server會(huì)檢查該值，用來(lái)確定 HTTP Body 中的內(nèi)容該怎樣解析茉兰。
這時(shí)可以通過(guò)修改http包中的header來(lái)實(shí)現(xiàn)尤泽，代碼片段如下：
5、頁(yè)面解析
對(duì)于頁(yè)面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式规脸，這個(gè)對(duì)于不同網(wǎng)站不同的使用者都不一樣坯约，就不用過(guò)多的說(shuō)明，附兩個(gè)比較好的網(wǎng)址：
正則表達(dá)式入門(mén)：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則表達(dá)式在線測(cè)試：http://tool.oschina.net/regex/
其次就是解析庫(kù)了莫鸭，常用的有兩個(gè)lxml和BeautifulSoup闹丐，對(duì)于這兩個(gè)的使用介紹兩個(gè)比較好的網(wǎng)站：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
對(duì)于這兩個(gè)庫(kù)，我的評(píng)價(jià)是被因，都是HTML/XML的處理庫(kù)卿拴，Beautifulsoup純python實(shí)現(xiàn)，效率低梨与，但是功能實(shí)用堕花，比如能用通過(guò)結(jié)果搜索獲得某個(gè)HTML節(jié)點(diǎn)的源碼；lxmlC語(yǔ)言編碼粥鞋，高效缘挽，支持Xpath
6、驗(yàn)證碼的處理
對(duì)于一些簡(jiǎn)單的驗(yàn)證碼呻粹，可以進(jìn)行簡(jiǎn)單的識(shí)別壕曼。本人也只進(jìn)行過(guò)一些簡(jiǎn)單的驗(yàn)證碼識(shí)別。但是有些反人類(lèi)的驗(yàn)證碼尚猿，比如12306窝稿，可以通過(guò)打碼平臺(tái)進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的凿掂。
7伴榔、gzip壓縮
有沒(méi)有遇到過(guò)某些網(wǎng)頁(yè)纹蝴，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈踪少，那說(shuō)明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力塘安，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。這尤其適用于 XML web 服務(wù)援奢，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高兼犯。
但是一般服務(wù)器不會(huì)為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)集漾。
于是需要這樣修改代碼：
這是關(guān)鍵:創(chuàng)建Request對(duì)象切黔，添加一個(gè) 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)：
8、多線程并發(fā)抓取
單線程太慢的話具篇，就需要多線程了纬霞，這里給個(gè)簡(jiǎn)單的線程池模板 這個(gè)程序只是簡(jiǎn)單地打印了1-10，但是可以看出是并發(fā)的驱显。
雖然說(shuō)python的多線程很雞肋诗芜，但是對(duì)于爬蟲(chóng)這種網(wǎng)絡(luò)頻繁型，還是能一定程度提高效率的埃疫。
