位置: 编程技术 - 正文
Python常用的爬虫技巧总结(python爬虫类)
发布时间：2024-02-27推荐整理分享Python常用的爬虫技巧总结(python爬虫类)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:python常用爬虫模块,python常用爬虫模块,python爬虫种类,python爬虫有几种,python爬虫类,python爬虫有哪些,python爬虫有哪些,python常用的爬虫库,内容如对您有帮助，希望把文章链接给更多的朋友！
用python也差不多一年多了，python应用最多的场景还是web快速开发、爬虫、自动化运维：写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。
爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。
1、基本抓取网页
get方法
post方法
2、使用代理IP
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：
3、Cookies处理
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：
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
4、伪装成浏览器
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 : 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：
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，附两个比较好的网址：
正则表达式入门： 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 % 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：
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：
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-，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。
Python读大数据txt 如果直接对大文件对象调用read()方法，会导致不可预测的内存占用。好的方法是利用固定长度的缓冲区来不断读取文件内容。即通过yield。在用Python读一
详解Python迭代和迭代器 我们将要来学习python的重要概念迭代和迭代器，通过简单实用的例子如列表迭代器和xrange。可迭代一个对象，物理或者虚拟存储的序列。list，tuple，strin
python简单实现刷新智联简历 python来写一个试试吧，这里使用了cPAMIE模块，代码如下：代码fromcPAMIEimportPAMIEie=PAMIE("www.zhaopin.com")ie.textBoxSet("loginname",'你的用户名')#给loginname文本框赋
标签: python爬虫类
本文链接地址:https://www.jiuchutong.com/biancheng/384410.html 转载请保留说明！
