Python快速上手爬虫的7大技巧

一时失言乱红尘 2023-02-11 12:26 6阅读 0赞

![Python快速上手爬虫的7大技巧][Python_7]

# **前言** #

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

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 ##

![Python快速上手爬虫的7大技巧][Python_7 1]

## post方法 ##

![Python快速上手爬虫的7大技巧][Python_7 2]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NjE0MTU0_size_16_color_FFFFFF_t_70][]

# **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：

![Python快速上手爬虫的7大技巧][Python_7 3]

# **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：

![Python快速上手爬虫的7大技巧][Python_7 4]

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：

![Python快速上手爬虫的7大技巧][Python_7 5]

# **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：

![Python快速上手爬虫的7大技巧][Python_7 6]

# **5、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。

# **6、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：

![Python快速上手爬虫的7大技巧][Python_7 7]

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：

![Python快速上手爬虫的7大技巧][Python_7 8]

# **7、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。

![Python快速上手爬虫的7大技巧][Python_7 9]

[Python_7]: https://imgconvert.csdnimg.cn/aHR0cDovL3AxLnBzdGF0cC5jb20vbGFyZ2UvZGZpYy1pbWFnZWhhbmRsZXIvZGRmZTZhNGYtYTRkNS00OGI4LThjYjYtY2M4MTdkNTU4NDJj?x-oss-process=image/format,png
[Python_7 1]: https://imgconvert.csdnimg.cn/aHR0cDovL3AxLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlL2IwZGYzMWQ1MjdhMTRjY2I4ZTI0NTJkODcxYTBlN2Yx?x-oss-process=image/format,png
[Python_7 2]: https://imgconvert.csdnimg.cn/aHR0cDovL3AxLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzYxMGQ3NjNmNGJjMjRhNTQ4NmNjOGVlNDFhNGRjNmMx?x-oss-process=image/format,png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NjE0MTU0_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200523185131788.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NjE0MTU0,size_16,color_FFFFFF,t_70
[Python_7 3]: https://imgconvert.csdnimg.cn/aHR0cDovL3AzLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzllOTQ0MjhiMDRhNzQ0YWU4ZWY0YjQ1ZDY1MWFiNmVi?x-oss-process=image/format,png
[Python_7 4]: https://imgconvert.csdnimg.cn/aHR0cDovL3AzLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzUwNDZhODgyZDNhMTQzOTNhY2IwYmNkZjVkYzIxMzk3?x-oss-process=image/format,png
[Python_7 5]: https://imgconvert.csdnimg.cn/aHR0cDovL3AzLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzA3YjYzMmYxMWYwZTRmODU5NzBiNGRmMjY1OGMxYTA2?x-oss-process=image/format,png
[Python_7 6]: https://imgconvert.csdnimg.cn/aHR0cDovL3AxLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzM0MTgyZDViNDU4YjQ4YjlhYzgyOWUxY2M1MTkzNzcx?x-oss-process=image/format,png
[Python_7 7]: https://imgconvert.csdnimg.cn/aHR0cDovL3A5LnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzg1OWQ2NmIwOGY0MTQ2MTdiOWM5ZjUzMzdiMDEyNDAw?x-oss-process=image/format,png
[Python_7 8]: https://imgconvert.csdnimg.cn/aHR0cDovL3AxLnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzlkYzgwNzM5NjhlMjQ2ZjQ4OWNhMjgyY2FlYjVhODZl?x-oss-process=image/format,png
[Python_7 9]: https://imgconvert.csdnimg.cn/aHR0cDovL3A5LnBzdGF0cC5jb20vbGFyZ2UvcGdjLWltYWdlLzdkMWQxODY5ZTMxYjRmNGFhZDYwYjFjZGRjY2ZhNDcy?x-oss-process=image/format,png