Python爬蟲入門，8個常用爬蟲技巧盤點(diǎn)
來源：
奇酷教育 發(fā)表于：
Python爬蟲入門，8個常用爬蟲技巧盤點(diǎn)。
python入門時
用得最多的還是各類爬蟲腳本，
寫過抓代理本機(jī)驗(yàn)證的腳本、寫過論壇中自動登錄自動發(fā)貼的腳本
寫過自動收郵件的腳本、寫過簡單的驗(yàn)證碼識別的腳本。
這些腳本有一個共性，都是和web相關(guān)的，
8個常用爬蟲技巧盤點(diǎn)和大家分享：
1、基本抓取網(wǎng)頁
get方法
post方法
2.使用代理服務(wù)器
這在某些情況下比較有用，
比如IP被封了，或者比如IP訪問的次數(shù)受到限制等等。
3.Cookies處理
是的沒錯，如果想同時用代理和cookie，
那就加入proxy_support然后operner改為 ，如下：
4.偽裝成瀏覽器訪問
某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。
這時候我們需要偽裝成瀏覽器，
這可以通過修改http包中的header來實(shí)現(xiàn)：
5、頁面解析
對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式，
這個對于不同網(wǎng)站不同的使用者都不一樣，就不用過多的說明。
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup。
對于這兩個庫，我的評價是，
都是HTML/XML的處理庫，Beautifulsoup純python實(shí)現(xiàn)，效率低，
但是功能實(shí)用，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點(diǎn)的源碼；
lxmlC語言編碼，高效，支持Xpath。
6.驗(yàn)證碼的處理
碰到驗(yàn)證碼咋辦？
這里分兩種情況處理：
google那種驗(yàn)證碼，沒辦法。
簡單的驗(yàn)證碼：字符個數(shù)有限，只使用了簡單的平移或旋轉(zhuǎn)加噪音而沒有扭曲的，
這種還是有可能可以處理的，一般思路是旋轉(zhuǎn)的轉(zhuǎn)回來，噪音去掉，
然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，
然后把驗(yàn)證碼和特征庫進(jìn)行比較。
這個比較復(fù)雜，這里就不展開了，
具體做法請弄本相關(guān)教科書好好研究一下。
7. gzip/deflate支持
現(xiàn)在的網(wǎng)頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，
以VeryCD的主頁為例，未壓縮版本247K，壓縮了以后45K，為原來的1/5。
這就意味著抓取速度會快5倍。
然而python的urllib/urllib2默認(rèn)都不支持壓縮
要返回壓縮格式，必須在request的header里面寫明’accept-encoding’，
然后讀取response后更要檢查header查看是否有’content-encoding’一項(xiàng)來判斷是否需要解碼，很繁瑣瑣碎。
如何讓urllib2自動支持gzip, defalte呢？
其實(shí)可以繼承BaseHanlder類，
然后build_opener的方式來處理：
8、多線程并發(fā)抓取
單線程太慢的話，就需要多線程了，
這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，
但是可以看出是并發(fā)的。
雖然說Python的多線程很雞肋
但是對于爬蟲這種網(wǎng)絡(luò)頻繁型，
還是能一定程度提高效率的。
9. 總結(jié)
閱讀Python編寫的代碼感覺像在閱讀英語一樣，這讓使用者可以專注于解決問題而不是去搞明白語言本身。
Python雖然是基于C語言編寫，但是摒棄了C中復(fù)雜的指針，使其變得簡明易學(xué)。
并且作為開源軟件，Python允許對代碼進(jìn)行閱讀，拷貝甚至改進(jìn)。
這些性能成就了Python的高效率，有“人生苦短，我用Python”之說，是一種十分精彩又強(qiáng)大的語言。
總而言之，開始學(xué)Python一定要注意這4點(diǎn)：
1.代碼規(guī)范，這本身就是一個非常好的習(xí)慣，如果開始不養(yǎng)好好的代碼規(guī)劃，以后會很痛苦。
2.多動手，少看書，很多人學(xué)Python就一味的看書，這不是學(xué)數(shù)學(xué)物理，你看例題可能就會了，學(xué)習(xí)Python主要是學(xué)習(xí)編程思想。
3.勤練習(xí)，學(xué)完新的知識點(diǎn)，一定要記得如何去應(yīng)用，不然學(xué)完就會忘，學(xué)我們這行主要都是實(shí)際操作。
4.學(xué)習(xí)要有效率，如果自己都覺得效率非常低，那就停不停，找一下原因，去問問過來人這是為什么。
您現(xiàn)在所在的位置：首頁 >關(guān)于奇酷 > 行業(yè)動態(tài) > Python爬蟲入門，8個常用爬蟲技巧盤點(diǎn)
