带你入门Python爬虫,8个常用爬虫技巧盘点
python作为一门高级编程语言,它的定位是优雅、明确和简单。
我学用python差不多一年时间了,
用得最多的还是各类爬虫脚本,注意:很多人学python过程中会遇到各种烦恼问题,没有人帮答疑容易放弃。为此小编建了个python全栈免费答疑.裙 :七衣衣九起起巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python教程项目可拿,,一起相互监督共同进步!
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。
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,注意:很多人学python过程中会遇到各种烦恼问题,没有人帮答疑容易放弃。为此小编建了个python全栈免费答疑.裙 :七衣衣九起起巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python教程项目可拿,,一起相互监督共同进步!
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
上一篇: 请解释python面向对象中的继承