python爬虫的一些基本技巧

zrong

　　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，这时候就需要用到代理IP；
　　在urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下：

　　3、Cookies处理
　　Cookies是某些网站为了辨别用户身份、进行session跟踪而储存在本地终端的数据（通常经过加密的），python提供了cookielib模块用于处理cookies，cookielib模块主要作用是提供可储存cookie的对象，以便于与urllib2模块配合使用来访问Internet资源。

　　关键在于CookieJar，他勇于管理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。
　　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 403：Forbidden的情况
　　对有些header 要特别里留意，Server端会针对这些header做检查
　　1.User-Agent有些Server和proxy会检查该值，用判断是否浏览器发起的Request
　　2.Content-Type在使用REST接口时，Server会检查该值，用来确定HTTPBody的内容该怎样解析
　　这时可以通过修改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，就不过多的说明了，
　　正则表达式门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
　　正则表达式在线测试：http://tool.oschina.net/regex/
　　其次就是解析库了，常用的有两个lxml和BeautifulSoup，对于这两个的使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
　　6、验证码的处理
　　对于一些简单的验证码，可以进行简单的识别。本人也只进行了一些简单的验证码识别。但是有些反人类的验证码，比如12306，可以通过打码平台进行人工大码，当人这是收费的。
　　7、gzip压缩
　　有没有遇到某些网页，不论怎么转码都是一团乱码。那就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60%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
　　但是一般的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，在这里给个简单的线程池模板 这个程序只是简单的打印了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路频繁型，还是能一定程度提高效率的。

　　转自：https://my.oschina.net/jhao104/blog/647308