Python爬虫：一些常用的爬虫技巧总结

lsekfe

　用Python也差不多一年多了，Python应用最多的场景还是Web快速开发、爬虫、自动化运维：写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
　　爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。
　　1、基本抓取网页
　　get方法

1. import urllib2  
   
2. 
   
3. 　　url = "http://www.baidu.com"  
   
4. 
   
5. 　　response = urllib2.urlopen(url)  
   
6. 
   
7. 　　print response.read()

复制代码

post方法

1. 　import urllib  
   
2. 
   
3. 　　import urllib2  
   
4. 
   
5. 　　url = "http://abcde.com"  
   
6. 
   
7. 　　form = {'name':'abc','password':'1234'}  
   
8. 
   
9. 　　form_data = urllib.urlencode(form)  
   
10. 
    
11. 　　request = urllib2.Request(url,form_data)  
    
12. 
    
13. 　　response = urllib2.urlopen(request)  
    
14. 
    
15. 　　print response.read()

复制代码

2、使用代理IP
　　在开发爬虫过程中经常会遇到IP被封掉的情况，这时就需要用到代理IP；
　　在urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下代码片段：

1. import urllib2  
   
2. 
   
3. 　　proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})  
   
4. 
   
5. 　　opener = urllib2.build_opener(proxy)  
   
6. 
   
7. 　　urllib2.install_opener(opener)  
   
8. 
   
9. 　　response = urllib2.urlopen('http://www.baidu.com')  
   
10. 
    
11. 　　print response.read()

复制代码

3、Cookies处理
　　cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)，python提供了cookielib模块用于处理cookies，cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源。
　　代码片段：

1. import urllib2, cookielib  
   
2. 
   
3. 　　cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
   
4. 
   
5. 　　opener = urllib2.build_opener(cookie_support)  
   
6. 
   
7. 　　urllib2.install_opener(opener)  
   
8. 
   
9. 　　content = urllib2.urlopen('http://XXXX').read()

复制代码

关键在于CookieJar()，它用于管理HTTP cookie值、存储HTTP请求生成的cookie、向传出的HTTP请求添加cookie的对象。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失，所有过程都不需要单独去操作。
　　手动添加cookie：

1. cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="  
   
2. 
   
3. 　　request.add_header("Cookie", cookie)

复制代码

4、伪装成浏览器
　　某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。所以用urllib2直接访问网站经常会出现HTTP Error 403: Forbidden的情况。
　　对有些 header 要特别留意，Server 端会针对这些 header 做检查：
　　1.User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request。
　　2.Content-Type 在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
　　这时可以通过修改http包中的header来实现，代码片段如下：

1. import urllib2  
   
2. 
   
3. 　　headers = {  
   
4. 
   
5. 　　    'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
   
6. 
   
7. 　　}  
   
8. 
   
9. 　　request = urllib2.Request(  
   
10. 
    
11. 　　    url = 'http://my.oschina.net/jhao104/blog?catalog=3463517',  
    
12. 
    
13. 　　    headersheaders = headers  
    
14. 
    
15. 　　)  
    
16. 
    
17. 　　print urllib2.urlopen(request).read()

复制代码

5、页面解析
　　对于页面解析最强大的当然是正则表达式，这个对于不同网站不同的使用者都不一样，就不用过多的说明，附两个比较好的网址：
　　正则表达式入门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
　　正则表达式在线[url=]测试[/url]：
　　http://tool.oschina.net/regex/
　　其次就是解析库了，常用的有两个lxml和BeautifulSoup，对于这两个的使用介绍两个比较好的网站：
　　lxml：http://my.oschina.net/jhao104/blog/639448
　　BeautifulSoup：http://cuiqingcai.com/1319.html
　　对于这两个库，我的评价是，都是HTML/XML的处理库，Beautifulsoup纯python实现，效率低，但是功能实用，比如能用通过结果搜索获得某个HTML节点的源码；lxml C语言编码，高效，支持Xpath。
　　6、验证码的处理
　　对于一些简单的验证码，可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码，比如12306，可以通过打码平台进行人工打码，当然这是要付费的。
　　7、gzip压缩
　　有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那说明你还不知道许多web服务具有发送压缩数据的能力，这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务，因为 XML 数据 的压缩率可以很高。
　　但是一般服务器不会为你发送压缩数据，除非你告诉服务器你可以处理压缩数据。
　　于是需要这样修改代码：

1. import urllib2, httplib  
   
2. 
   
3. 　　request = urllib2.Request('http://xxxx.com')  
   
4. 
   
5. 　　request.add_header('Accept-encoding', 'gzip')  
   
6. 
   
7. 　　opener = urllib2.build_opener()  
   
8. 
   
9. 　　f = opener.open(request)

复制代码

　这是关键：创建Request对象，添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据。
　　然后就是解压缩数据：

1. import StringIO  
   
2. 
   
3. 　　import gzip  
   
4. 
   
5. 　　compresseddata = f.read()  
   
6. 
   
7. 　　compressedstream = StringIO.StringIO(compresseddata)  
   
8. 
   
9. 　　gzipgzipper = gzip.GzipFile(fileobj=compressedstream)
   
10. 
    
11. 　　print gzipper.read()

复制代码

　8、多线程并发抓取
　　单线程太慢的话，就需要多线程了，这里给个简单的线程池模板 这个程序只是简单地打印了1-10，但是可以看出是并发的。
　　虽然说Python的多线程很鸡肋，但是对于爬虫这种网络频繁型，还是能一定程度提高效率的。

1. from threading import Thread  
   
2. 
   
3. 　　from Queue import Queue  
   
4. 
   
5. 　　from time import sleep  
   
6. 
   
7. 　　# q是任务队列  
   
8. 
   
9. 　　#NUM是并发线程总数  
   
10. 
    
11. 　　#JOBS是有多少任务  
    
12. 
    
13. 　　q = Queue()  
    
14. 
    
15. 　　NUM = 2  
    
16. 
    
17. 　　JOBS = 10  
    
18. 
    
19. 　　#具体的处理函数，负责处理单个任务  
    
20. 
    
21. 　　def do_somthing_using(arguments):  
    
22. 
    
23. 　　    print arguments  
    
24. 
    
25. 　　#这个是工作进程，负责不断从队列取数据并处理  
    
26. 
    
27. 　　def working():  
    
28. 
    
29. 　　    while True:  
    
30. 
    
31. 　　        arguments = q.get()  
    
32. 
    
33. 　　        do_somthing_using(arguments)  
    
34. 
    
35. 　　        sleep(1)  
    
36. 
    
37. 　　        q.task_done()  
    
38. 
    
39. 　　#fork NUM个线程等待队列  
    
40. 
    
41. 　　for i in range(NUM):  
    
42. 
    
43. 　　    t = Thread(target=working)  
    
44. 
    
45. 　　    t.setDaemon(True)  
    
46. 
    
47. 　　    t.start()  
    
48. 
    
49. 　　#把JOBS排入队列  
    
50. 
    
51. 　　for i in range(JOBS):  
    
52. 
    
53. 　　    q.put(i)  
    
54. 
    
55. 　　#等待所有JOBS完成  
    
56. 
    
57. 　　q.join()

复制代码