一些常用的爬蟲技巧歸納與以下幾點(diǎn)：
1渐溶、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、使用代理IP
在開發(fā)爬蟲過程中經(jīng)常會(huì)遇到IP被封掉的情況，這時(shí)就需要用到代理IP暴凑；
在urllib2包中有ProxyHandler類凛篙，通過此類可以設(shè)置代理訪問網(wǎng)頁黍匾，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呛梆、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)過加密)锐涯，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)象填物，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()纹腌，它用于管理HTTP cookie值、存儲(chǔ)HTTP請(qǐng)求生成的cookie融痛、向傳出的HTTP請(qǐng)求添加cookie的對(duì)象壶笼。整個(gè)cookie都存儲(chǔ)在內(nèi)存中，對(duì)CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失雁刷，所有過程都不需要單獨(dú)去操作覆劈。
手動(dòng)添加cookie
代碼如下:
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)
4、偽裝成瀏覽器
某些網(wǎng)站反感爬蟲的到訪沛励，于是對(duì)爬蟲一律拒絕請(qǐng)求责语。所以用urllib2直接訪問網(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)檢查該值目派，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)坤候，Server 會(huì)檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析企蹭。
這時(shí)可以通過修改http包中的header來實(shí)現(xiàn)白筹，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智末、頁面解析
對(duì)于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式，這個(gè)對(duì)于不同網(wǎng)站不同的使用者都不一樣徒河，就不用過多的說明
6系馆、驗(yàn)證碼的處理
對(duì)于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識(shí)別顽照。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識(shí)別由蘑。但是有些反人類的驗(yàn)證碼，比如12306代兵，可以通過打碼平臺(tái)進(jìn)行人工打碼尼酿，當(dāng)然這是要付費(fèi)的。
7植影、gzip壓縮
有沒有遇到過某些網(wǎng)頁裳擎，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈思币，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)的能力句惯，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)支救，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(huì)為你發(fā)送壓縮數(shù)據(jù)拷淘，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)各墨。
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(duì)象，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启涯、多線程并發(fā)抓取
單線程太慢的話贬堵，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结洼，但是可以看出是并發(fā)的黎做。
雖然說python的多線程很雞肋，但是對(duì)于爬蟲這種網(wǎng)絡(luò)頻繁型松忍，還是能一定程度提高效率的蒸殿。
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)，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)程鸣峭，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
alert(“Hello CSDN”);
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()
如果對(duì)Python有興趣或者想學(xué)習(xí)Python的可以加群：834179111宏所，本群整理了，從Python入門零基礎(chǔ)到項(xiàng)目實(shí)戰(zhàn)的學(xué)習(xí)資料摊溶。歡迎歡迎各位前來交流學(xué)習(xí)爬骤。
