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，
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：1057034340
1、基本抓取網頁
get方法
post方法
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：
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：
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：
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：
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：
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：
7、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，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/220347.html
標籤：Python