Python快速上手爬蟲的7大技巧

作者：馬哥Linux運(yùn)維 2020-10-26 08:31:41

開發(fā) 后端

Python應(yīng)用最多的場景還是Web快速開發(fā)、爬蟲、自動(dòng)化運(yùn)維。爬蟲在開發(fā)過程中也有很多復(fù)用的過程，這里總結(jié)一下，以后也能省些事情。

[[348383]]

1. 基本抓取網(wǎng)頁

get方法

post方法

2. 使用代理IP

在開發(fā)爬蟲過程中經(jīng)常會(huì)遇到IP被封掉的情況，這時(shí)就需要用到代理IP;

在urllib2包中有ProxyHandler類，通過此類可以設(shè)置代理訪問網(wǎng)頁，如下代碼片段：

3. Cookies處理

cookies是某些網(wǎng)站為了辨別用戶身份、進(jìn)行session跟蹤而儲(chǔ)存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲(chǔ)cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源。

代碼片段：

關(guān)鍵在于CookieJar()，它用于管理HTTP cookie值、存儲(chǔ)HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個(gè)cookie都存儲(chǔ)在內(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失，所有過程都不需要單獨(dú)去操作。

手動(dòng)添加cookie：

4. 偽裝成瀏覽器

某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網(wǎng)站經(jīng)常會(huì)出現(xiàn)HTTP Error 403: Forbidden的情況。

對有些 header 要特別留意，Server 端會(huì)針對這些 header 做檢查：

User-Agent 有些 Server 或 Proxy 會(huì)檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request。
Content-Type 在使用 REST 接口時(shí)，Server 會(huì)檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。

這時(shí)可以通過修改http包中的header來實(shí)現(xiàn)，代碼片段如下：

5. 驗(yàn)證碼的處理

對于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識(shí)別。我們只進(jìn)行過一些簡單的驗(yàn)證碼識(shí)別，但是有些反人類的驗(yàn)證碼，比如12306，可以通過打碼平臺(tái)進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的。

6. gzip壓縮

有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈，那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務(wù)，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高。

但是一般服務(wù)器不會(huì)為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)。

于是需要這樣修改代碼：