首页 欧洲联赛正文

用python也差不多一年多了,python运用最多的场景仍是web快速开发、爬虫、主动化运维:写过简略网站、写过主动发帖脚本、写过收发邮件脚本、写过简略验证码辨认脚本。

爬虫在开发进程中也有许多复用的进程,这儿总结一下,今后也能省些作业。

1、根本抓取网页

get办法

import u闺蜜老公rllib2
url "http://www.baidu.com"
respons = urllib2.urlopen(url)
print response.read()

post办法

import urllib
import urllib2
url = "http://abcde.com"
form = {'name':'abc','password':'1234'}
form_data = urllib.urlencode(form)
request = urllib2.Request(url,form_布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线data)
response = urllib2.urlopen(request)
print response.read()

2、运用署理IP

在开发爬虫进程中常常会遇到IP被封掉的状况,这时就需求用到署理IP;

在urllib2包中有ProxyHandler类,经过此类能够设置署理拜访网页,如下代码片段:

import urllib2
proxy = urllib2.ProxyHandler({'http': '127.伯伦希尔和休伯利安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处理

cookies是某些网站为了区分用户身份、进行session盯梢而贮存在用户本地终端上的数据(一般经过孙兴老婆加密),python供给了cookielib模块用于处理cookies,cookielib模块的首要作用是供给可存储cookie的目标,以便于与urllib2模块合作运用来拜访Internet资源.

代码片段:

import urllib2, cookielib
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
ope布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线ner = urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()

要害在于CookieJar(),它用于办理HTTP cookie值、存储HTTP恳求生成的cookie、向传出的HTTP恳求增加cookie的目标。整个cookie都存储在内存中,对CookieJar实例进行废物收回后cookie也将丢掉,一切进程都不需求独自去操作。

手动增加cookie

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

4、伪装成浏览器

某些网站恶感爬虫的到访,所以对爬虫一概拒绝恳求。所以用urllib2直接拜访网站常常会呈现HTTP Error 403: Forbidden的状况

对有些 header 要特别留心,Server 端会针对这些 header 做查看布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线

  1. User-Agent 有些 Server 或 Proxy 会查看该值,用来判别是否是奇幻潮粤语浏览器建议的 Request
  2. Content-Type 在运用 REST 接口时,Server 会查看该值,用来确认 HTTP Body 中的内容该怎样解析。

这时能够经过修正http包中的header来完结,代码片段如下:

import urllib2
headers = {
'Use史小末r-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、页面解析

关于页面解析最强壮的当然是正则表达式,这个对戏精训练营于不同网站不同的运用者都不相同,就不用过多的阐明,附两个比较好的网址:

正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

正则表达式在线测验:http://tool.oschina.net/regex/

其次便是解析库了,常用的有两个lxml和BeautifulSoup,关于这两个的运用介绍两个比较好的网站:

lxml:http://my.oschina.net/jhao104/blog/639448

BeautifulSoup:http://cuiqingcai.com/1319.html

关于这两个库,我的点评是,都是HTML/XML的处理库,Beautifulsoup纯python完结,功率低布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线,可是功用有用真空凸点,比方能用经过成果葛铁德查找取得某个HTML节点的源码;lxmlC言语编码,高效,支撑Xpath

私信小编001 获取源码!

6、验证码的处理

关于一些简略的验证码,能够进行简略的辨认。自己也只进行过一些简略的验证码识李润庭别。可是有些反人类的验证码,比方12306,能够经过打码渠道进行人工打码,当然这是要付费的。

7、gzip紧缩

有没有遇到过某些网页,不论怎么转码都是一团乱码。哈哈,那阐明你还不知道许多web效劳具有发送紧缩数据的才能,这能够将网络线路上传输的很多数据消减 60% 以上。这特别适用于 XML web 效劳,由于 XML 数据 的紧缩率能够很高。

可是一般流氓大亨养精英效劳器不会为你发送紧缩数据,除非你通知效劳器你能够处理紧缩数据。

所以需求这样修正代码:

import美少女游戏论坛 urllib2, httplib
request = urllib2.Request('http://xxxx.com'布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线)
request.add_header(什么是同位语从句'Accept-encoding', 'gzip') 1
opener = urllib2.build_opener()
f = opener.open(request)

这是要害:创立Request目标,增加一个 Accept-encoding 头信息通知效劳器你能承受 gzip 紧缩程开耀数据

然后便是解紧缩数据:

import StringIO
import gzip
compressedda花田医女ta = f.read()
compresseds馆官能奇谭tream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.read()

8、多线程并发抓取

单线程太慢的话,就需求多线程了,这儿给个简略的线程池模板 这个程序仅仅简略地打印了1-10,可是能够看出是并发的。

尽管说python的多线罗悠真程很鸡肋,可是关于爬虫这种网络频周立波老婆胡洁繁型,仍是能必定程度进步功率的。

from threading import Thread
from Queue import Queue
from b胸time import sleep
# q是使命行列
#NUM是并发线程总数
#JOBS是有多少使命
q = Queue()
NUM = 2
JOBS = 10
#详细的处理函数,担任处理单个使命
def d布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线o_somthing_using(arguments):
print arguments
#这个是作业进程,担任不断从行列取数据并处理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#f厂加人ork NUM个线程等候行列
for i in range(NUM):
t布罗利,从事爬虫数十载!这八条爬虫总结送给在座的各位!,纵贯线 = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入行列
for i in range(JOBS):
q.put(i)
#等候一切JOBS完结
q.join()
版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。