用Python也差不多一年多了，Python應(yīng)用最多的場景還是Web快速開發(fā)筛璧、爬蟲逸绎、自動化運(yùn)維：寫過簡單網(wǎng)站妖滔、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本桶良、寫過簡單驗(yàn)證碼識別腳本。沮翔！
爬蟲在開發(fā)過程中也有很多復(fù)用的過程陨帆，這里總結(jié)一下，以后也能省些事情采蚀。
1疲牵、基本抓取網(wǎng)頁
get方法
import urllib2
url = "http://www.baidu.com"
response = 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、使用代理IP
在開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況榆鼠，這時(shí)就需要用到代理IP纲爸；
在urllib2包中有ProxyHandler類，通過此類可以設(shè)置代理訪問網(wǎng)頁妆够，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识啦、Cookies處理
cookies是某些網(wǎng)站為了辨別用戶身份、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)神妹，python提供了cookielib模塊用于處理cookies颓哮，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源鸵荠。
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()冕茅，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie蛹找、向傳出的HTTP請求添加cookie的對象姨伤。整個(gè)cookie都存儲在內(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失庸疾，所有過程都不需要單獨(dú)去操作乍楚。
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)站反感爬蟲的到訪彼硫，于是對爬蟲一律拒絕請求炊豪。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 要特別留意拧篮，Server 端會針對這些 header 做檢查：
1.User-Agent 有些 Server 或 Proxy 會檢查該值词渤，用來判斷是否是瀏覽器發(fā)起的 Request。
2.Content-Type 在使用 REST 接口時(shí)串绩，Server 會檢查該值缺虐，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。
這時(shí)可以通過修改http包中的header來實(shí)現(xiàn)礁凡，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高氮、頁面解析
對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式慧妄，這個(gè)對于不同網(wǎng)站不同的使用者都不一樣，就不用過多的說明剪芍，附兩個(gè)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/
其次就是解析庫了塞淹，常用的有兩個(gè)lxml和BeautifulSoup，對于這兩個(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
對于這兩個(gè)庫罪裹，我的評價(jià)是饱普，都是HTML/XML的處理庫，Beautifulsoup純python實(shí)現(xiàn)状共，效率低套耕，但是功能實(shí)用，比如能用通過結(jié)果搜索獲得某個(gè)HTML節(jié)點(diǎn)的源碼峡继；lxml C語言編碼冯袍，高效，支持Xpath碾牌。
6康愤、驗(yàn)證碼的處理
對于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識別舶吗。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識別翘瓮。但是有些反人類的驗(yàn)證碼，比如12306裤翩，可以通過打碼平臺進(jìn)行人工打碼资盅，當(dāng)然這是要付費(fèi)的。
7踊赠、gzip壓縮
有沒有遇到過某些網(wǎng)頁呵扛，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈筐带，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)的能力今穿，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)伦籍，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高蓝晒。
但是一般服務(wù)器不會為你發(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)帖鸦。
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')
opener = urllib2.build_opener()
f = opener.open(request)
這是關(guān)鍵：創(chuàng)建Request對象芝薇，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)：
import StringIO
import gzip
compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.read()
8作儿、多線程并發(fā)抓取
單線程太慢的話洛二，就需要多線程了，這里給個(gè)簡單的線程池模板 這個(gè)程序只是簡單地打印了1-10，但是可以看出是并發(fā)的晾嘶。
雖然說Python的多線程很雞肋妓雾，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垒迂。
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)械姻，負(fù)責(zé)處理單個(gè)任務(wù)
def do_somthing_using(arguments):
? ?print arguments
#這個(gè)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(gè)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()
（完）
