Python常用的爬虫技巧总结
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
importurllib2 url="http://www.baidu.com" response=urllib2.urlopen(url) printresponse.read()
post方法
importurllib
importurllib2
url="http://abcde.com"
form={'name':'abc','password':'1234'}
form_data=urllib.urlencode(form)
request=urllib2.Request(url,form_data)
response=urllib2.urlopen(request)
printresponse.read()
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：
importurllib2
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')
printresponse.read()
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：
importurllib2,cookielib
cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content=urllib2.urlopen('http://XXXX').read()
关键在于CookieJar()，它用于管理HTTPcookie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
cookie="PHPSESSID=91rurfqm2329bopnosfu4fvmu7;
kmsign=55d2c12c9b1e3;
KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie",cookie)
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HTTPError403: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HTTPBody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：
importurllib2
headers={
'User-Agent':'Mozilla/5.0(Windows;U;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/3.5.6'
}
request=urllib2.Request(
url='http://my.oschina.net/jhao104/blog?catalog=3463517',
headers=headers
)
printurllib2.urlopen(request).read()
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：https://www.nhooo.com/article/18526.htm
正则表达式在线测试：http://tools.jb51.net/regex/javascript
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：https://www.nhooo.com/article/67125.htm
BeautifulSoup：https://www.nhooo.com/article/43572.htm
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；lxmlC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XMLweb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：
importurllib2,httplib
request=urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding','gzip')1
opener=urllib2.build_opener()
f=opener.open(request)
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：
importStringIO importgzip compresseddata=f.read() compressedstream=StringIO.StringIO(compresseddata) gzipper=gzip.GzipFile(fileobj=compressedstream) printgzipper.read()
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。
fromthreadingimportThread fromQueueimportQueue fromtimeimportsleep #q是任务队列 #NUM是并发线程总数 #JOBS是有多少任务 q=Queue() NUM=2 JOBS=10 #具体的处理函数，负责处理单个任务 defdo_somthing_using(arguments): printarguments #这个是工作进程，负责不断从队列取数据并处理 defworking(): whileTrue: arguments=q.get() do_somthing_using(arguments) sleep(1) q.task_done() #forkNUM个线程等待队列 foriinrange(NUM): t=Thread(target=working) t.setDaemon(True) t.start() #把JOBS排入队列 foriinrange(JOBS): q.put(i) #等待所有JOBS完成 q.join()