Python爬蟲(chóng)入門(mén)，8個(gè)常用爬蟲(chóng)技巧盤(pán)點(diǎn)
來(lái)源：
奇酷教育 發(fā)表于：
Python爬蟲(chóng)入門(mén)，8個(gè)常用爬蟲(chóng)技巧盤(pán)點(diǎn)。
python入門(mén)時(shí)
用得最多的還是各類(lèi)爬蟲(chóng)腳本，
寫(xiě)過(guò)抓代理本機(jī)驗(yàn)證的腳本、寫(xiě)過(guò)論壇中自動(dòng)登錄自動(dòng)發(fā)貼的腳本
寫(xiě)過(guò)自動(dòng)收郵件的腳本、寫(xiě)過(guò)簡(jiǎn)單的驗(yàn)證碼識(shí)別的腳本。
這些腳本有一個(gè)共性，都是和web相關(guān)的，
8個(gè)常用爬蟲(chóng)技巧盤(pán)點(diǎn)和大家分享：
1、基本抓取網(wǎng)頁(yè)
get方法
post方法
2.使用代理服務(wù)器
這在某些情況下比較有用，
比如IP被封了，或者比如IP訪(fǎng)問(wèn)的次數(shù)受到限制等等。
3.Cookies處理
是的沒(méi)錯(cuò)，如果想同時(shí)用代理和cookie，
那就加入proxy_support然后operner改為 ，如下：
4.偽裝成瀏覽器訪(fǎng)問(wèn)
某些網(wǎng)站反感爬蟲(chóng)的到訪(fǎng)，于是對(duì)爬蟲(chóng)一律拒絕請(qǐng)求。
這時(shí)候我們需要偽裝成瀏覽器，
這可以通過(guò)修改http包中的header來(lái)實(shí)現(xiàn)：
5、頁(yè)面解析
對(duì)于頁(yè)面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式，
這個(gè)對(duì)于不同網(wǎng)站不同的使用者都不一樣，就不用過(guò)多的說(shuō)明。
其次就是解析庫(kù)了，常用的有兩個(gè)lxml和BeautifulSoup。
對(duì)于這兩個(gè)庫(kù)，我的評(píng)價(jià)是，
都是HTML/XML的處理庫(kù)，Beautifulsoup純python實(shí)現(xiàn)，效率低，
但是功能實(shí)用，比如能用通過(guò)結(jié)果搜索獲得某個(gè)HTML節(jié)點(diǎn)的源碼；
lxmlC語(yǔ)言編碼，高效，支持Xpath。
6.驗(yàn)證碼的處理
碰到驗(yàn)證碼咋辦？
這里分兩種情況處理：
google那種驗(yàn)證碼，沒(méi)辦法。
簡(jiǎn)單的驗(yàn)證碼：字符個(gè)數(shù)有限，只使用了簡(jiǎn)單的平移或旋轉(zhuǎn)加噪音而沒(méi)有扭曲的，
這種還是有可能可以處理的，一般思路是旋轉(zhuǎn)的轉(zhuǎn)回來(lái)，噪音去掉，
然后劃分單個(gè)字符，劃分好了以后再通過(guò)特征提取的方法(例如PCA)降維并生成特征庫(kù)，
然后把驗(yàn)證碼和特征庫(kù)進(jìn)行比較。
這個(gè)比較復(fù)雜，這里就不展開(kāi)了，
具體做法請(qǐng)弄本相關(guān)教科書(shū)好好研究一下。
7. gzip/deflate支持
現(xiàn)在的網(wǎng)頁(yè)普遍支持gzip壓縮，這往往可以解決大量傳輸時(shí)間，
以VeryCD的主頁(yè)為例，未壓縮版本247K，壓縮了以后45K，為原來(lái)的1/5。
這就意味著抓取速度會(huì)快5倍。
然而python的urllib/urllib2默認(rèn)都不支持壓縮
要返回壓縮格式，必須在request的header里面寫(xiě)明’accept-encoding’，
然后讀取response后更要檢查header查看是否有’content-encoding’一項(xiàng)來(lái)判斷是否需要解碼，很繁瑣瑣碎。
如何讓urllib2自動(dòng)支持gzip, defalte呢？
其實(shí)可以繼承BaseHanlder類(lèi)，
然后build_opener的方式來(lái)處理：
8、多線(xiàn)程并發(fā)抓取
單線(xiàn)程太慢的話(huà)，就需要多線(xiàn)程了，
這里給個(gè)簡(jiǎn)單的線(xiàn)程池模板 這個(gè)程序只是簡(jiǎn)單地打印了1-10，
但是可以看出是并發(fā)的。
雖然說(shuō)Python的多線(xiàn)程很雞肋
但是對(duì)于爬蟲(chóng)這種網(wǎng)絡(luò)頻繁型，
還是能一定程度提高效率的。
9. 總結(jié)
閱讀Python編寫(xiě)的代碼感覺(jué)像在閱讀英語(yǔ)一樣，這讓使用者可以專(zhuān)注于解決問(wèn)題而不是去搞明白語(yǔ)言本身。
Python雖然是基于C語(yǔ)言編寫(xiě)，但是摒棄了C中復(fù)雜的指針，使其變得簡(jiǎn)明易學(xué)。
并且作為開(kāi)源軟件，Python允許對(duì)代碼進(jìn)行閱讀，拷貝甚至改進(jìn)。
這些性能成就了Python的高效率，有“人生苦短，我用Python”之說(shuō)，是一種十分精彩又強(qiáng)大的語(yǔ)言。
總而言之，開(kāi)始學(xué)Python一定要注意這4點(diǎn)：
1.代碼規(guī)范，這本身就是一個(gè)非常好的習(xí)慣，如果開(kāi)始不養(yǎng)好好的代碼規(guī)劃，以后會(huì)很痛苦。
2.多動(dòng)手，少看書(shū)，很多人學(xué)Python就一味的看書(shū)，這不是學(xué)數(shù)學(xué)物理，你看例題可能就會(huì)了，學(xué)習(xí)Python主要是學(xué)習(xí)編程思想。
3.勤練習(xí)，學(xué)完新的知識(shí)點(diǎn)，一定要記得如何去應(yīng)用，不然學(xué)完就會(huì)忘，學(xué)我們這行主要都是實(shí)際操作。
4.學(xué)習(xí)要有效率，如果自己都覺(jué)得效率非常低，那就停不停，找一下原因，去問(wèn)問(wèn)過(guò)來(lái)人這是為什么。
您現(xiàn)在所在的位置：首頁(yè) >關(guān)于奇酷 > 行業(yè)動(dòng)態(tài) > Python爬蟲(chóng)入門(mén)，8個(gè)常用爬蟲(chóng)技巧盤(pán)點(diǎn)
