用Python也差不多一年多了，Python應用最多的場景還是Web快速開發、爬蟲、自動化運維：寫過簡單網站、寫過自動發帖腳本、寫過收發郵件腳本、寫過簡單驗證碼識別腳本，
爬蟲在開發程序中也有很多復用的程序，這里總結一下，以后也能省些事情，
很多人學習python，不知道從何學起，
很多人學習python，掌握了基本語法過后，不知道在哪里尋找案例上手，
很多已經做案例的人，卻不知道如何去學習更加高深的知識，
那么針對這三類人，我給大家提供一個好的學習平臺，免費領取視頻教程，電子書籍，以及課程的源代碼！??¤
QQ群：623406465
1、基本抓取網頁
get方法
import urllib2
url = "http://www.baidu.com"
response = urllib2.urlopen(url)
print response.read()
post方法
import urllib
import urllib2
url = "http://abcde.com"
form = {'name':'abc','password':'1234'}
form_data = urllib.urlencode(form)
request = urllib2.Request(url,form_data)
response = urllib2.urlopen(request)
print response.read()
2、使用代理IP
在開發爬蟲程序中經常會遇到IP被封掉的情況，這時就需要用到代理IP；
在urllib2包中有ProxyHandler類，通過此類可以設定代理訪問網頁，如下代碼片段：
import urllib2
proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')
print response.read()
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資料(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盤cookie的物件，以便于與urllib2模塊配合使用來訪問Internet資源，
代碼片段：
import urllib2, cookielib
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content = urllib2.urlopen('http://XXXX').read()
關鍵在于CookieJar()，它用于管理HTTP cookie值、存盤HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的物件，整個cookie都存盤在記憶體中，對CookieJar實體進行垃圾回收后cookie也將丟失，所有程序都不需要單獨去操作，
手動添加cookie：
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", 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：
1.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，
2.Content-Type 在使用 REST 介面時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣決議，
這時可以通過修改http包中的header來實作，代碼片段如下：
import urllib2
headers = {
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'
}
request = urllib2.Request(
url = 'http://my.oschina.net/jhao104/blog?catalog=3463517',
headersheaders = headers
)
print urllib2.urlopen(request).read()
5、頁面決議
對于頁面決議最強大的當然是正則運算式，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，附兩個比較好的網址：
正則運算式入門： http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則運算式在線測驗：
http://tool.oschina.net/regex/
其次就是決議庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個的使用介紹兩個比較好的網站：
lxml： http://my.oschina.net/jhao104/blog/639448
BeautifulSoup： http://cuiqingcai.com/1319.html
對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實作，效率低，但是功能實用，比如能用通過結果搜索獲得某個HTML節點的原始碼；lxml C語言編碼，高效，支持Xpath，
6、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，本人也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，
7、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服務具有發送壓縮資料的能力，這可以將網路線路上傳輸的大量資料消減 60% 以上，這尤其適用于 XML web 服務，因為 XML 資料 的壓縮率可以很高，
但是一般服務器不會為你發送壓縮資料，除非你告訴服務器你可以處理壓縮資料，
于是需要這樣修改代碼：
import urllib2, httplib
request = urllib2.Request('http://xxxx.com')
request.add_header('Accept-encoding', 'gzip')
opener = urllib2.build_opener()
f = opener.open(request)
這是關鍵：創建Request物件，添加一個 Accept-encoding 頭資訊告訴服務器你能接受 gzip 壓縮資料，
然后就是解壓縮資料：
import StringIO
import gzip
compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipgzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.read()
8、多執行緒并發抓取
單執行緒太慢的話，就需要多執行緒了，這里給個簡單的執行緒池模板 這個程式只是簡單地列印了1-10，但是可以看出是并發的，
雖然說Python的多執行緒很雞肋，但是對于爬蟲這種網路頻繁型，還是能一定程度提高效率的，
from threading import Thread
from Queue import Queue
from time import sleep
# q是任務佇列
#NUM是并發執行緒總數
#JOBS是有多少任務
q = Queue()
NUM = 2
JOBS = 10
#具體的處理函式，負責處理單個任務
def do_somthing_using(arguments):
print arguments
#這個是作業行程，負責不斷從佇列取資料并處理
def working():
while True:
arguments = q.get()
do_somthing_using(arguments)
sleep(1)
q.task_done()
#fork NUM個執行緒等待佇列
for i in range(NUM):
t = Thread(target=working)
t.setDaemon(True)
t.start()
#把JOBS排入佇列
for i in range(JOBS):
q.put(i)
#等待所有JOBS完成
q.join()
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/180717.html
標籤：其他