您现在的位置是：首页 > Python

当前栏目

python技巧分享：8个好用python方法

Python 线程数据 Cookie 网站

2023-03-02 10:56:30 时间

## **前言** ##

在学习的过程中我们肯定会遇到各种各样的问题，相信大家会都会有一定的措施，也有对应的解决办法，今天我来给大家介绍几种好用的python爬虫方法，掌握了这些，以后处问题都能有对应的解决办法。  
1、基本抓取网页

**get方法**

**post方法**  
![20190127160508366.png][]

## 2、使用代理IP ##

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；  
![20190127160518983.png][]

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：

## 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：  
![20190127160529229.png][]

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

## 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：  
![2019012716054150.png][]  
![20190127160603843.png][]

## 5、页面解析 ##

对于页面解析最强大的当然是正则表达式，这个对于不同网站不同的使用者都不一样，就不用过多的说明，附两个比较好的网址：

正则表达式入门：[http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html][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/][http_tool.oschina.net_regex]

其次就是解析库了，常用的有两个lxml和BeautifulSoup.

对于这两个库，我的评价是，都是HTML/XML的处理库，Beautifulsoup纯python实现，效率低，但是功能实用，比如能用通过结果搜索获得某个HTML节点的源码；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。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。

## 7、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：  
![20190127160616438.png][]

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：

## 8、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。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70][]

[20190127160508366.png]: /images/20220322/777fd84426804350bf7ddf3fe5738cf0.png
[20190127160518983.png]: /images/20220322/a78f77ee38924b41993d7552243126ca.png
[20190127160529229.png]: /images/20220322/d2a0e592594d4f708352a4d6038afdb8.png
[2019012716054150.png]: /images/20220322/e125c6e444a548f78e0843fe30e07363.png
[20190127160603843.png]: /images/20220322/aac7d07f7a854fdda919a3b705722cf1.png
[http_www.cnblogs.com_huxi_archive_2010_07_04_1771073.html]: http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
[http_tool.oschina.net_regex]: http://tool.oschina.net/regex/
[20190127160616438.png]: /images/20220322/e41a71550c034b9c89b5b660e2ee22d6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70]: /images/20220322/d5c97bc5cd68445f96276599b7a4914a.png

猜你喜欢

关于多线程同步的一切：乱序执行和内存屏障
你可能不知道的有用的 Linux Bash 命令
一文读懂eBPF | 即时编译(JIT)实现原理
为什么 Fedora 一开始允许使用 CC0 许可证
重新想象和设计你的文件和目录列表
OpenHarmony -ArkUI（ETS）之WiFi简单的连接操作
前端知识网络 | 前端布局篇
OpenHarmony源码解析之显示屏亮度获取功能
如何在 Linux 上使用 FFmpeg 命令进行音频和视频处理
删除 Git 远程分支的本地引用
微软 Windows 11 Beta 预览版 22621.575 和 22622.575 (KB5016694) 发布，附更新内容大全
业务系统改造尝试引入DDD，事情变得更秃然起来……
14条ESLint规则让你的异步代码更优雅
选择 Linux 发行版时要考虑的六个重要因素
Linux下，如何自动对日志进行压缩备份？
Vue.js设计与实现之五-设计一个完善的响应系统
HttpClient 在vivo内销浏览器的高并发实践优化
九个前端JavaScript框架和库，你用过几个
分布式配置中心服务端如何实时更新？
Hooks是什么？为啥Vue和React都选择了它？

zl程序教程

当前栏目

python技巧分享：8个好用python方法

相关文章