1、基本抓取網頁
get方法
import urllib2 url = "http://www.baidu.com" respons = urllib2.urlopen(url) print response.read()
post方法
import urllib import urllib2url = "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()
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urllib2包中有ProxyHandler類，通過此類可以設置代理訪問網頁，如下代碼片段：
import urllib2proxy = 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()
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cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源.
import urllib2, cookielibcookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar()) opener = urllib2.build_opener(cookie_support) urllib2.install_opener(opener) content = urllib2.urlopen('http://XXXX').read()
關鍵在于CookieJar()，它用于管理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CookieJar實例進行垃圾回收后cookie也將丟失，所有過程都不需要單獨去操作。
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg=" request.add_header("Cookie", cookie)
4、偽裝成瀏覽器
?某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2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：
import urllib2headers = {'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()
5、頁面解析
對于頁面解析最強大的當然是正則表達式，這個對于不同網站不同的使用者都不一樣，就不用過多的說明，附兩個比較好的網址：
正則表達式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html?
正則表達式在線測試：http://tool.oschina.net/regex/?
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個的使用介紹兩個比較好的網站：
lxml：http://my.oschina.net/jhao104/blog/639448?
BeautifulSoup：http://cuiqingcai.com/1319.html?
對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，但是功能實用，比如能用通過結果搜索獲得某個HTML節點的源碼；lxmlC語言編碼，高效，支持Xpath
6、驗證碼的處理
對于一些簡單的驗證碼，可以進行簡單的識別。本人也只進行過一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。
7、gzip壓縮
? ? 有沒有遇到過某些網頁，不論怎么轉碼都是一團亂碼。哈哈，那說明你還不知道許多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。這尤其適用于 XML web 服務，因為 XML 數據 的壓縮率可以很高。
但是一般服務器不會為你發送壓縮數據，除非你告訴服務器你可以處理壓縮數據。
于是需要這樣修改代碼：
import urllib2, httplib request = urllib2.Request('http://xxxx.com') request.add_header('Accept-encoding', 'gzip') opener = urllib2.build_opener() f = opener.open(request)
這是關鍵:創建Request對象，添加一個 Accept-encoding 頭信息告訴服務器你能接受 gzip 壓縮數據
然后就是解壓縮數據：
import StringIO import gzipcompresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata) gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read()
8、多線程并發抓取
單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發的。
雖然說python的多線程很雞肋，但是對于爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
?
from threading import Thread from Queue import Queue from time import sleep # q是任務隊列 #NUM是并發線程總數 #JOBS是有多少任務 q = Queue() NUM = 2 JOBS = 10 #具體的處理函數，負責處理單個任務 def do_somthing_using(arguments):print arguments #這個是工作進程，負責不斷從隊列取數據并處理 def working():while True:arguments = q.get()do_somthing_using(arguments)sleep(1)q.task_done() #fork NUM個線程等待隊列 for i in range(NUM):t = Thread(target=working)t.setDaemon(True)t.start() #把JOBS排入隊列 for i in range(JOBS):q.put(i) #等待所有JOBS完成 q.join()
?
)
