Python爬虫常用的爬虫注意事项及技巧
Python爬虫常用的爬虫技巧
- 1、基本抓取网页
- 2、使用代理IP
- 3、Cookies处理
- 4、伪装成浏览器
- 5、页面解析
- 6、验证码的处理
- 7、gzip压缩
- 8、多线程并发抓取
urllib库为例进行介绍
中所有代码需要注意的库文件名:urllib 、cookielib 、httplib 、StringIO 、gzip 、Thread 、Queue
1、基本抓取网页
get方法
import urllib2url = "http://www.baidu.com"
respons = urllib2.urlopen(url)
print(response.read())
post方法
import urllib
import urllib2url = "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:
import urllib2proxy = 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:
import urllib2
import cookielibcookie_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
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
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
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 header 来实现,代码片段如下:
import urllib2headers = {'User-Agent': 'Mozilla/5.0'
}
request = urllib2.Request(url='http://my.oschina.net/jhao104/blog?catalog=3463517',headers=headers
)
print(urllib2.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
- 解析库了,常用的有两个 lxml 和 BeautifulSoup
- 对于这两个库,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 是C语言编码,高效,支持Xpath
- 个人比较喜欢使用 xpath 进行页面解析
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。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:
import urllib2
import httplibrequest = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip')
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:
import StringIO
import gzipcompresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print(gzipper.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
from threading import Thread
from Queue import Queue
from time import sleep# 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
def do_somthing_using(arguments):print(arguments)# 这个是工作进程,负责不断从队列取数据并处理
def working():while True:arguments = q.get()do_somthing_using(arguments)sleep(1)q.task_done()# fork NUM个线程等待队列
for i in range(NUM):t = Thread(target=working)t.setDaemon(True)t.start()
# 把JOBS排入队列
for i in range(JOBS):q.put(i)
# 等待所有JOBS完成
q.join()
ps:高强度的爬虫会对服务器造成很大的压力,使用时配置好请求速度,合理使用避免造成不良影响
Python爬虫常用的爬虫注意事项及技巧相关推荐
- 简谈-Python一些常用的爬虫技巧
第一种:基本的网页抓取 get方法 import urllib2url = "链接response = urllib2.urlopen(url)print response.read() p ...
- Python学习三: 爬虫高级技巧 与 模拟实战练习
三大爬虫技巧 许多网站针对爬虫的访问都设置了一定的障碍,通过这三步技巧,轻松绕过部分的反爬虫限制. (1)设置程序休止时间 import time import random# 休止睡眠 1 秒 这里 ...
- 大佬带你详解Python反爬虫措施以及爬虫编写注意事项
Python爬虫开发:反爬虫措施以及爬虫编写注意事项 反爬虫的几重措施 1.IP限制 如果是个人编写的爬虫,IP可能是固定的,那么发现某个IP请求过于频繁并且短时间内访问大量的页面,有爬虫的嫌疑,作为 ...
- python的爬虫库_python做爬虫常用库
python做爬虫常用库 一.总结 一句话总结: urllib:一系列用于操作URL的功能. requests:基于 urllib 编写的,阻塞式 HTTP 请求库,发出一个请求,一直等待服务器响应后 ...
- 数据采集与清洗基础习题(二)Python爬虫常用模块,头歌参考答案
数据采集习题参考答案,会持续更新,点个关注防丢失.为了方便查找,已按照头歌重新排版,朋友们按照头歌所属门类查找实训哦,该篇为Python爬虫常用模块. 创作不易,一键三连给博主一个支持呗. 文章目录 ...
- 【Python笔记】网络爬虫——常用框架介绍以及 Scrapy 框架使用
网络爬虫开发常用框架 Scrapy 爬虫框架 Crawley 爬虫框架 PySpider 爬虫框架 Scrapy 爬虫框架的使用 搭建 Scrapy 爬虫框架 1. 安装 Twisted 模块 2. ...
- 【Python笔记】网络爬虫——常用技术
网络爬虫常用技术 Python 的网络请求 1.urllib 模块 2.urllib3 模块 3.requests 模块 请求 headers 处理 网络超时 代理服务 HTML解析之 Beautif ...
- Python常用网络爬虫速查表下载
Python常用网络爬虫速查表下载 Post方法: Get方法: css选择器 beautiful soup选择器 xpath选择器 可以将图片打印出来,放在桌面看 下载地址: 一天掌握python网 ...
- python爬虫 常用网站_给新手推荐几个实用又适合上手的Python爬虫项目
Python的前景光明不需要过多赘述了,那么作为新人如何快速上手这门语言呢?废话不多说,今天给大家分享三个极实用的Python爬虫案例. 1.爬取网站美图 爬取图片是最常见的爬虫入门项目,不复杂却能很 ...
最新文章
- vue 路由相关操作
- 51..分治算法练习: 4378 【Laoguo】循环比赛
- 《那些年啊,那些事——一个程序员的奋斗史》——126
- 批量提取视频文件信息(文件大小及时长)并统计
- php课程 4-15 数组遍历、超全局数组、表单提交数据(多看学习视频)
- 更换微软TTS语音引擎切换
- 计算机毕业论文性能测试怎么写,计算机毕业论文撰写技巧
- 学习廖雪峰的Git教程
- 企业联合体的形式_企业组织形式的概念与类型怎么分?
- python 单词拆音节_基于Trie树进行拆分字符串变成拼音音节(一):构建拼音音节模型...
- window7电脑屏幕亮度调节的方法
- matlab用牛顿差值计算三次差值多项式,计算方法用Newton插值多项式求函数的近似值.docx...
- 云豹php短视频源码实现身份证验证的方法
- 迁移学习---举一反三
- 我在赶集网的两个月(完整版)
- 2021年全球与中国重型泥浆泵行业市场规模及发展前景分析
- Linux操作系统下/etc/hosts文件配置方法(域名映射)
- 字符串转日期,日期转字符串,日期比较
- WPS通配符(正则表达式)
- 图解分布式核心思路 | 最终一致性,一致只会迟到,但绝不会缺席