位置: 编程技术 - 正文
一些常用的Python爬虫技巧汇总(一些常用的网络命令)
编辑：rootadmin推荐整理分享一些常用的Python爬虫技巧汇总(一些常用的网络命令)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:一些常用的英语单词,一些常用的英语单词,一些常用的信息收集命令有,一些常用的网络用语,一些常用的补药尤其是补肾的药基本上都是什么做的,一些常用的家庭小妙招,一些常用的网络用语,一些常用的补药尤其是补肾的药基本上都是什么做的,内容如对您有帮助，希望把文章链接给更多的朋友！
Python爬虫：一些常用的爬虫技巧总结
爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。
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，如下代码片段：
3、Cookies处理
cookies是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)，python提供了cookielib模块用于处理cookies，cookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源.
代码片段：
关键在于CookieJar()，它用于管理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。整个cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失，所有过程都不需要单独去操作。
手动添加cookie
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 : Forbidden的情况
对有些 header 要特别留意，Server 端会针对这些 header 做检查
1).User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request2).Content-Type 在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
这时可以通过修改http包中的header来实现，代码片段如下：
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，附两个比较好的网址：
正则表达式入门： % 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，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-，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。
标签: 一些常用的网络命令
本文链接地址:https://www.jiuchutong.com/biancheng/384496.html 转载请保留说明！
