Python爬蟲的技巧有哪些

這篇文章主要介紹“Python爬蟲的技巧有哪些”，在日常操作中，相信很多人在Python爬蟲的技巧有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python爬蟲的技巧有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

1. 基本抓取網頁

get方法

post方法

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：

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。

代碼片段：

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。

手動添加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：

• 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。

• 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：

5. 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。我們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。

6. 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：

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：

7. 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。

到此，關于“Python爬蟲的技巧有哪些”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！