8个常用Python爬虫入门技巧盘点,让我们拒绝重复劳动!

x
用微信扫描二维码
分享至好友和朋友圈

  python作为一门高级编程语言,它的定位是优雅、明确和简单。

  用得最多的还是各类爬虫脚本,

  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,那就停不停,找一下原因,去问问过来人这是为什么。

  如果你对Python编程感兴趣,那么记得来小编的Python学习扣群:1017759557,这里有资源共享,技术解答,大家可以在一起交流Python编程经验,还有小编整理的一份Python学习教程,希望能帮助大家更好的学习python。

  

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

跟贴 跟贴 0 参与 1
© 1997-2020 网易公司版权所有 About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 网站地图 | 意见反馈 | 不良信息举报

小蜗牛IT

分享程序员日常和知识点

头像

小蜗牛IT

分享程序员日常和知识点

268

篇文章

670

人关注

列表加载中...
请登录后再关注
x

用户登录

网易通行证/邮箱用户可以直接登录:
忘记密码