Python爬蟲入門，8個常用爬蟲技巧盤點
來源：
奇酷教育 發表于：
Python爬蟲入門，8個常用爬蟲技巧盤點。
python入門時
用得最多的還是各類爬蟲腳本，
寫過抓代理本機驗證的腳本、寫過論壇中自動登錄自動發貼的腳本
寫過自動收郵件的腳本、寫過簡單的驗證碼識別的腳本。
這些腳本有一個共性，都是和web相關的，
8個常用爬蟲技巧盤點和大家分享：
1、基本抓取網頁
get方法
post方法
2.使用代理服務器
這在某些情況下比較有用，
比如IP被封了，或者比如IP訪問的次數受到限制等等。
3.Cookies處理
是的沒錯，如果想同時用代理和cookie，
那就加入proxy_support然后operner改為 ，如下：
4.偽裝成瀏覽器訪問
某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。
這時候我們需要偽裝成瀏覽器，
這可以通過修改http包中的header來實現：
5、頁面解析
對于頁面解析最強大的當然是正則表達式，
這個對于不同網站不同的使用者都不一樣，就不用過多的說明。
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup。
對于這兩個庫，我的評價是，
都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，
但是功能實用，比如能用通過結果搜索獲得某個HTML節點的源碼；
lxmlC語言編碼，高效，支持Xpath。
6.驗證碼的處理
碰到驗證碼咋辦？
這里分兩種情況處理：
google那種驗證碼，沒辦法。
簡單的驗證碼：字符個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，
這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，
然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，
然后把驗證碼和特征庫進行比較。
這個比較復雜，這里就不展開了，
具體做法請弄本相關教科書好好研究一下。
7. gzip/deflate支持
現在的網頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，
以VeryCD的主頁為例，未壓縮版本247K，壓縮了以后45K，為原來的1/5。
這就意味著抓取速度會快5倍。
然而python的urllib/urllib2默認都不支持壓縮
要返回壓縮格式，必須在request的header里面寫明’accept-encoding’，
然后讀取response后更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。
如何讓urllib2自動支持gzip, defalte呢？
其實可以繼承BaseHanlder類，
然后build_opener的方式來處理：
8、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。
9. 總結
閱讀Python編寫的代碼感覺像在閱讀英語一樣，這讓使用者可以專注于解決問題而不是去搞明白語言本身。
Python雖然是基于C語言編寫，但是摒棄了C中復雜的指針，使其變得簡明易學。
并且作為開源軟件，Python允許對代碼進行閱讀，拷貝甚至改進。
這些性能成就了Python的高效率，有“人生苦短，我用Python”之說，是一種十分精彩又強大的語言。
總而言之，開始學Python一定要注意這4點：
1.代碼規范，這本身就是一個非常好的習慣，如果開始不養好好的代碼規劃，以后會很痛苦。
2.多動手，少看書，很多人學Python就一味的看書，這不是學數學物理，你看例題可能就會了，學習Python主要是學習編程思想。
3.勤練習，學完新的知識點，一定要記得如何去應用，不然學完就會忘，學我們這行主要都是實際操作。
4.學習要有效率，如果自己都覺得效率非常低，那就停不停，找一下原因，去問問過來人這是為什么。
