Python爬蟲高手必備的8大技巧！

2024-06-11碼農

點選上方 " Python人工智慧技術 " 關註，星標或者置頂

22點24分準時推播，第一時間送達

後台回復「 大禮包 」，送你特別福利

編輯：樂樂 | 來自：七天小碼哥

正文

大家好，我是Python人工智慧技術

想要快速學習爬蟲，最值得學習的語言一定是Python，Python套用場景比較多，比如： Web快速開發、爬蟲、自動化運維等等， 可以做簡單網站、自動發帖指令碼、收發信件指令碼、簡單驗證碼辨識指令碼。

爬蟲在開發過程中也有很多復用的過程，今天就總結一下必備的8大技巧，以後也能省時省力，高效完成任務。

1 基本抓取網頁

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

在開發爬蟲過程中經常會遇到 IP被封掉 的情況，這時就需要用到代理IP；在urllib2包中有ProxyHandler類，透過此類可以設定 代理存取網頁 ，如下程式碼片段：

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是某些網站為了 辨別使用者身份 、進行session跟蹤而儲存在使用者本地終端上的數據(通常經過加密)，python提供了cookielib模組用於處理cookies，cookielib模組的主要作用是提供可儲存cookie的物件，以便於與urllib2模組配合使用來存取Internet資源。
程式碼片段：

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()

關鍵在於CookieJar()，它用於管理HTTP cookie值、儲存HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的物件。整個cookie都儲存在記憶體中，對CookieJar例項進行垃圾回收後cookie也將遺失，所有過程都不需要單獨去操作。
手動添加cookie：

cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg=" request.add_header("Cookie", cookie)

4 偽裝成瀏覽器

某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求。所以用urllib2直接存取網站經常會出現 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起的 Request

Content-Type 在使用 REST 介面時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析

這時可以透過修改http包中的header來實作，程式碼片段如下：

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 頁面解析

對於頁面解析最強大的當然是 正規表式 ，這個對於不同網站不同的使用者都不一樣，就不用過多的說明其次就是 解析庫 了，常用的有兩個lxml和BeautifulSoup對於這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實作，效率低，但是 功能實用 ，比如能用透過結果搜尋獲得某個HTML節點的源碼；lxml C語言編碼，高效，支持Xpath。

6 驗證碼的處理

對於一些簡單的驗證碼，可以進行簡單的辨識。本人也只進行過一些簡單的驗證碼辨識。但是有些反人類的驗證碼，比如12306，可以透過打碼平台進行人工打碼，當然這是要付費的。

7 gzip壓縮

有沒有遇到過某些網頁，不論怎麽轉碼都是一團亂碼。哈哈，那說明你還不知道 許多web服務具有發送壓縮數據的能力 ，這可以將網路路線上傳輸的大量數據 消減 60%****以上 。這尤其適用於XML web 服務，因為 XML 數據的壓縮率可以很高。
但是一般伺服器不會為你發送壓縮數據，除非你告訴伺服器你可以處理壓縮數據。
於是需要這樣修改程式碼：

import urllib2, httplib request = urllib2.Request('http://xxxx.com') request.add_header('Accept-encoding', 'gzip') opener = urllib2.build_opener() f = opener.open(request)

這是關鍵：建立Request物件，添加一個 Accept-encoding 頭資訊告訴伺服器你能接受 gzip 壓縮數據。

然後就是解壓縮數據：

import StringIO import gzip compresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata) gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read()

8 多執行緒並行抓取

單執行緒太慢的話，就需要多執行緒了，這裏給個簡單的執行緒池樣版這個程式只是簡單地打印了1-10，但是可以看出是並行的。
雖然說Python的多執行緒很雞肋，但是對於爬蟲這種網路頻繁型，還是能一定程度提高效率的。

from threading import Thread from Queue import Queue from time import sleep # q是任務佇列 #NUM是並行執行緒總數 #JOBS是有多少任務 q = Queue() NUM = 2 JOBS = 10 #具體的處理常式，負責處理單個任務 defdo_somthing_using(arguments): print arguments #這個是工作行程，負責不斷從佇列取數據並處理 defworking(): whileTrue: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done() #fork NUM個執行緒等待佇列 for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start() #把JOBS排入佇列 for i in range(JOBS): q.put(i) #等待所有JOBS完成 q.join()