Python爬虫的技巧有哪些

这篇文章主要介绍“Python爬虫的技巧有哪些”，在日常操作中，相信很多人在Python爬虫的技巧有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Python爬虫的技巧有哪些”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

创新互联致力于互联网网站建设与网站营销，提供网站设计制作、成都网站建设、网站开发、seo优化、网站排名、互联网营销、小程序开发、公众号商城、等建站开发，创新互联网站建设策划专家，为不同类型的客户提供良好的互联网应用定制解决方案，帮助客户在新的全球化互联网环境中保持优势。

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 403:  Forbidden的情况。

对有些 header 要特别留意，Server 端会针对这些 header 做检查：

• 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 Request。

• 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. 验证码的处理

对于一些简单的验证码，可以进行简单的识别。我们只进行过一些简单的验证码识别，但是有些反人类的验证码，比如12306，可以通过打码平台进行人工打码，当然这是要付费的。

6. gzip压缩

有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那说明你还不知道许多web服务具有发送压缩数据的能力，这可以将网络线路上传输的大量数据消减 60%  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：

7. 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。

到此，关于“Python爬虫的技巧有哪些”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！