get 方法

import urllib2

url  "http://www.baidu.com"

respons = urllib2.urlopen(url)

print response.read()

post 方法

import urllib

import urllib2

 

url = "http://abcde.com"

form = {'name':'abc','password':'1234'}

form_data = urllib.urlencode(form)

request = urllib2.Request(url,form_data)

response = urllib2.urlopen(request)

print response.read()

在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；
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：
import urllib2

proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})

opener = urllib2.build_opener(proxy)

urllib2.install_opener(opener)

response = urllib2.urlopen('http://www.baidu.com')

print response.read()

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：

import urllib2, cookielib

cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())

opener = urllib2.build_opener(cookie_support)

urllib2.install_opener(opener)

content = urllib2.urlopen('http://XXXX').read()

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

cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)

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

import urllib2

 

headers = {

    'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

}

request = urllib2.Request(

    url = 'http://my.oschina.net/jhao104/blog?catalog=3463517',

    headers = headers

)

print urllib2.urlopen(request).read()

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

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。

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：

import urllib2, httplib

request = urllib2.Request('http://xxxx.com')

request.add_header('Accept-encoding', 'gzip')        1

opener = urllib2.build_opener()

f = opener.open(request)

 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：

import StringIO

import gzip

 

compresseddata = f.read() 

compressedstream = StringIO.StringIO(compresseddata)

gzipper = gzip.GzipFile(fileobj=compressedstream) 

print gzipper.read()

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。

from threading import Thread

from Queue import Queue

from time import sleep

# q 是任务队列

#NUM 是并发线程总数

#JOBS 是有多少任务

q = Queue()

NUM = 2

JOBS = 10

#具体的处理函数，负责处理单个任务

def do_somthing_using(arguments):

    print arguments

#这个是工作进程，负责不断从队列取数据并处理

def working():

    while True:

        arguments = q.get()

        do_somthing_using(arguments)

        sleep(1)

        q.task_done()

#fork NUM 个线程等待队列

for i in range(NUM):

    t = Thread(target=working)

    t.setDaemon(True)

    t.start()

#把 JOBS 排入队列

for i in range(JOBS):

    q.put(i)

#等待所有 JOBS 完成

q.join()