Python快速上手的7大技巧
Python快速上手爬蟲的7大技巧
1、基本抓取網頁
get方法
post方法
2、使用代理IP
在開發爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到
代理IP；
在urllib 2包中有Proxy Handler類， 通過此類可以設置代理
訪問網頁，如下代碼片段：
3、Cookies處理
cookies是某些網站為了辨別用戶身份、進行session跟蹤而
儲存在用戶本地終端上的數據(通常經過加密) ， python提供了
cookie lib模塊用於處理cookies， cookie lib模塊的主要作
用是提供可存儲cookie的對象， 以便於與urllib 2模塊配合使
用來訪問Internet資源。
代碼片段：
關鍵在於Cookie Jar() ， 它用於管理HTTP cookie值、存儲
HTTP請求生成的cookie、向傳出的HTTP請求添加cookie
的對象。整個cookie都存儲在內存中， 對Cookie Jar實例進
行垃圾回收後cookie也將丟失， 所有過程都不需要單獨去操作
手動添加cookie：
4、偽裝成瀏覽器
某些網站反感爬蟲的到訪，於是對爬蟲壹律拒絕請求。所以用
urllib 2直接訪問網站經常會出現HTTP Error 403：
Forbidden的情況。
對有些header要特別留意， Server端會針對這些header
做檢查：
1.User-Agent有些Server或Proxy會檢查該值， 用來判
斷是否是瀏覽器發起的Request。
2.Content-Type在使用REST接口時， Server會檢查該
值， 用來確定HTTP Body中的內容該怎樣解析。
這時可以通過修改http包中的header來實現， 代碼片段如下
5、驗證碼的處理
對於壹些簡單的驗證碼，可以進行簡單的識別。我們只進行過壹
些簡單的驗證碼識別，但是有些反人類的驗證碼，比如12306
，可以通過打碼平臺進行人工打碼，當然這是要付費的。
6、gzip壓縮
有沒有遇到過某些網頁，不論怎麽轉碼都是壹團亂碼。哈哈，那
說明妳還不知道許多web服務具有發送壓縮數據的能力， 這可
以將網絡線路上傳輸的大量數據消減60%以上。這尤其適用於
XML web服務， 因為XML數據的壓縮率可以很高。
但是壹般服務器不會為妳發送壓縮數據，除非妳告訴服務器妳可
以處理壓縮數據。
於是需要這樣修改代碼：
這是關鍵：創建Request對象， 添加壹個Accept-
encoding頭信息告訴服務器妳能接受gzip壓縮數據。
然後就是解壓縮數據：
7、多線程並發抓取
單線程太慢的話，就需要多線程了，這裏給個簡單的線程池模板
這個程序只是簡單地打印了1-10，但是可以看出是並發的。
雖然說Python的多線程很雞肋， 但是對於爬蟲這種網絡頻繁型
，還是能壹定程度提高效率的。