Python爬虫:一些常用的爬虫技巧总结

樵夫2022-01-12 16:10

  Python应用最广泛的场景是Web快速开发、爬虫、自动化运维,它们常用于写简单网站、自动发帖脚本、收发邮件脚本、简单验证码识别脚本。

Python爬虫:一些常用的爬虫技巧总结

  爬虫在开发过程中也有很多复用过程,这里总结一下,以后可以省点事情。

  1.基本抓取网页

  get方法

import urllib2

url = "http://www.baidu.com"
response = urllib2.urlopen(url)
print response.read()

  get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

  在开发爬虫的过程中,IP经常被密封,因此需要使用代理IP;

  urllib2包中有ProxyHandler类,可以设置代理访问网页,如下代码片段:

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处理

  cookies是一些网站存储在用户本地终端上的数据(通常加密),以识别用户身份。python提供cookielib模块处理cookies,cookielib模块的主要功能是提供可存储cookie的对象,以便与urlib2模块一起访问internet资源。

  代码片段:

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()

  关键在于cookieJar(),用于管理HTTPcookie值。存储HTTP请求生成的cookie。向HTTP请求添加cookie对象。整个cookie存储在内存中,cookie在cookieJar实例垃圾回收后会丢失,所有过程都不需要单独操作。

  手动添加cookie:

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

  4.伪装成浏览器

  有些网站不喜欢爬虫的访问,所以他们拒绝对爬虫的要求。因此,HTTPError403:Forbidden经常直接访问urlib2网站。

  特别注意一些header,Server端将对这些header进行检查:

  1、User-Agent有些Server或Proxy会检查这个值,以判断它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,以确定如何分析HTTPBody中的内容。

  此时可通过修改http包中的header来实现,代码片段如下:

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.页面分析

  当然,最强大的页面分析是正则表达式。不同网站的不同用户有不同的用户,所以没有必要解释太多。附上两个更好的网站:

  正则表达式介绍:http:/www.cnblogs.com/huxi/archive/2010/07/04/1771073.html。

  正则表达式在线测试:http:/tool.oschina.net/regex/

  二是分析库,常用的有两个lxml和BeautifulSoup,对于这两个使用介绍两个比较好的网站:

  http://my.oschina.net/jhao104/blog/63948.

  BeautifulSoup:http://cuiqingcai.com/1319.html。

  对于这两个库,我的评价是HTML/XML的处理库,Beautifulsoup纯python实现,效率低,但功能实用,比如通过结果搜索获取HTML节点的源代码;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。我只做过一些简单的验证码识别。但是一些反人类的验证码,比如12306.可以通过编码平台手动编码,当然是要付费的。

       点击图片领取课程!

Python爬虫:一些常用的爬虫技巧总结

  以上就是小编为大家整理发布的“Python爬虫:一些常用的爬虫技巧总结”一文,更多相关内容尽在开课吧广场数据分析教程频道。

免责声明:本站所提供的内容均来源于网友提供或网络搜集,由本站编辑整理,仅供个人研究、交流学习使用。如涉及版权问题,请联系本站管理员予以更改或删除。
有用
分享