用python也差不多一年多了窃诉，python應用最多的場景還是web快速開發(fā)杨耙、爬蟲、自動化運維：寫過簡單網(wǎng)站飘痛、寫過自動發(fā)帖腳本珊膜、寫過收發(fā)郵件腳本、寫過簡單驗證碼識別腳本敦冬。
爬蟲在開發(fā)過程中也有很多復用的過程，這里總結(jié)一下唯沮，以后也能省些事情脖旱。
1、基本抓取網(wǎng)頁
get方法
post方法
在這里還是要推薦下我自己建的Python開發(fā)學習裙:304 零五零 799介蛉，群里都是學Python開發(fā)的萌庆，如果你正在學習Python ，小編歡迎你加入币旧，大家都是軟件開發(fā)黨践险，不定期分享干貨（只有Python軟件開發(fā)相關的），包括我自己整理的一份2018最新的Python進階資料和高級開發(fā)教程，歡迎進階中和進想深入Python的小伙伴
2巍虫、使用代理IP
開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況彭则，這時就需要用到代理IP；
在urllib2包中有ProxyHandler類占遥，通過此類可以設置代理訪問網(wǎng)頁俯抖，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瓦胎、進行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)芬萍，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的對象搔啊，以便于與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
關鍵在于CookieJar()柬祠，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie负芋、向傳出的HTTP請求添加cookie的對象漫蛔。整個cookie都存儲在內(nèi)存中，對CookieJar實例進行垃圾回收后cookie也將丟失示罗，所有過程都不需要單獨去操作惩猫。
手動添加cookie
4、偽裝成瀏覽器
某些網(wǎng)站反感爬蟲的到訪蚜点，于是對爬蟲一律拒絕請求轧房。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
1.User-Agent 有些 Server 或 Proxy 會檢查該值绍绘，用來判斷是否是瀏覽器發(fā)起的 Request
2.Content-Type 在使用 REST 接口時奶镶，Server 會檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析陪拘。
這時可以通過修改http包中的header來實現(xiàn)厂镇，代碼片段如下：
5、頁面解析
對于頁面解析最強大的當然是正則表達式左刽，這個對于不同網(wǎng)站不同的使用者都不一樣捺信，就不用過多的說明，附兩個比較好的網(wǎng)址：
正則表達式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則表達式在線測試：http://tool.oschina.net/regex/
其次就是解析庫了欠痴，常用的有兩個lxml和BeautifulSoup迄靠，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，我的評價是喇辽，都是HTML/XML的處理庫掌挚，Beautifulsoup純python實現(xiàn)，效率低菩咨，但是功能實用吠式，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點的源碼陡厘；lxmlC語言編碼，高效特占，支持Xpath
6糙置、驗證碼的處理
對于一些簡單的驗證碼，可以進行簡單的識別摩钙。本人也只進行過一些簡單的驗證碼識別罢低。但是有些反人類的驗證碼，比如12306胖笛，可以通過打碼平臺進行人工打碼网持，當然這是要付費的。
7长踊、gzip壓縮
有沒有遇到過某些網(wǎng)頁功舀，不論怎么轉(zhuǎn)碼都是一團亂碼。哈哈身弊，那說明你還不知道許多web服務具有發(fā)送壓縮數(shù)據(jù)的能力辟汰，這可以將網(wǎng)絡線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務阱佛，因為 XML 數(shù)據(jù) 的壓縮率可以很高帖汞。
但是一般服務器不會為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務器你可以處理壓縮數(shù)據(jù)凑术。
于是需要這樣修改代碼：
這是關鍵:創(chuàng)建Request對象翩蘸，添加一個 Accept-encoding 頭信息告訴服務器你能接受 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
單線程太慢的話淮逊，就需要多線程了催首，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)的泄鹏。
雖然說python的多線程很雞肋郎任，但是對于爬蟲這種網(wǎng)絡頻繁型，還是能一定程度提高效率的备籽。
今天的分享就到這里啦舶治，喜歡這篇文章的話，記得轉(zhuǎn)發(fā)+評論哦车猬！
重要的在這里啦霉猛！為了送上這篇文章的福利，我將我學習的資料分享出來诈唬！需要資料的話請關注微信公眾號：程序大牛韩脏，獲取缩麸。
