ITPub博客

首页 > 应用开发 > Python > Python爬虫入门,8个常用爬虫技巧盘点

Python爬虫入门,8个常用爬虫技巧盘点

原创 Python 作者:智云编程 时间:2018-12-12 16:44:17 0 删除 编辑

编程对于任何一个新手来说都不是一件容易的事情,Python对于任何一个想学习的编程的人来说的确是一个福音,阅读Python代码像是在阅读文章,源于Python语言提供了非常优雅的语法,被称为最优雅的语言之一。



python入门时


用得最多的还是各类爬虫脚本,


写过抓代理本机验证的脚本、写过论坛中自动登录自动发贴的脚本


写过自动收邮件的脚本、写过简单的验证码识别的脚本。


这些脚本有一个共性,都是和web相关的,


总要用到获取链接的一些方法,故累积了不少爬虫抓站的经验,


在此总结一下,那么以后做东西也就不用重复劳动了。


很多时候跟着书和网站查找资料学习,会发现没有目标,学了很多却不知道自己到底能够做出什么成绩。要有一个清晰的职业学习规划,学习过程中会遇到很多问题,你可以到我们的 python学习交流群【 784758214 】,基础,进阶。从企业招聘人才需求 到怎么学习python,和学习什么内容都有免费系统分享,让你无论是自学还是找相应的培训都能让你少走弯路。希望可以帮助你快速了解Python,学习python


1、基本抓取网页


get方法



post方法



2.使用代理服务器


这在某些情况下比较有用,


比如IP被封了,或者比如IP访问的次数受到限制等等。



3.Cookies处理



是的没错,如果想同时用代理和cookie,


那就加入proxy_support然后operner改为 ,如下:



4.伪装成浏览器访问


某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。


这时候我们需要伪装成浏览器,


这可以通过修改http包中的header来实现:



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。



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


碰到验证码咋办?


这里分两种情况处理:

google那种验证码,没办法。

简单的验证码:字符个数有限,只使用了简单的平移或旋转加噪音而没有扭曲的,

这种还是有可能可以处理的,一般思路是旋转的转回来,噪音去掉,

然后划分单个字符,划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库,

然后把验证码和特征库进行比较。


这个比较复杂,这里就不展开了,


具体做法请弄本相关教科书好好研究一下。


7. gzip/deflate支持


现在的网页普遍支持gzip压缩,这往往可以解决大量传输时间,

以VeryCD的主页为例,未压缩版本247K,压缩了以后45K,为原来的1/5。


这就意味着抓取速度会快5倍。


然而python的urllib/urllib2默认都不支持压缩


要返回压缩格式,必须在request的header里面写明’accept-encoding’,

然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码,很繁琐琐碎。


如何让urllib2自动支持gzip, defalte呢?


其实可以继承BaseHanlder类,


然后build_opener的方式来处理:



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。


虽然说Python的多线程很鸡肋


但是对于爬虫这种网络频繁型,


还是能一定程度提高效率的。



9. 总结


阅读Python编写的代码感觉像在阅读英语一样,这让使用者可以专注于解决问题而不是去搞明白语言本身。


Python虽然是基于C语言编写,但是摒弃了C中复杂的指针,使其变得简明易学。


并且作为开源软件,Python允许对代码进行阅读,拷贝甚至改进。


这些性能成就了Python的高效率,有“人生苦短,我用Python”之说,是一种十分精彩又强大的语言。


总而言之,开始学Python一定要注意这4点:


  1. 代码规范,这本身就是一个非常好的习惯,如果开始不养好好的代码规划,以后会很痛苦。


2.多动手,少看书,很多人学Python就一味的看书,这不是学数学物理,你看例题可能就会了,学习Python主要是学习编程思想。


3.勤练习,学完新的知识点,一定要记得如何去应用,不然学完就会忘,学我们这行主要都是实际操作。


4.学习要有效率,如果自己都觉得效率非常低,那就停不停,找一下原因,去问问过来人这是为什么。


Python学习交流群【 784758214 】希望可以帮助你快速了解Python,学习python



来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69901074/viewspace-2285025/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
从事前端5年,希望在贵平台分享前端技巧,知识心得

注册时间:2018-12-03

  • 博文量
    682
  • 访问量
    617947