基于Python2.7
1 基本抓取网页
get 方法
import urllib2url = "http://www.baidu.com"response = urllib2.urlopen(url)print response.read() |
post 方法
import urllibimport 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
在开发爬虫过程中经常会遇到IP被封掉的情况，这时要用到代理IP；
在urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下：
import urllib2 proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})opener = urllib2.build_opener(proxy)urllib2.install_opener(opener)response = urllib2.urlopen(' print response.read() |
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.
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() |
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。
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
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 Request
2.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：
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', headers = headers)print urllib2.urlopen(request).read() |
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，两个比较好的网址：
正则表达式入门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试：http://tool.oschina.net/regex/
其次就是解析库了，常用的有两个lxml和BeautifulSoup，对于这两个的使用介绍两个比较好的网站：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
对于这两个库，都是HTML/XML的处理库
Beautifulsoup纯python实现，效率低，但是功能实用，比如能用通过结果搜索获得某个HTML节点的源码；
lxml是C语言实现，高效，支持Xpath
6、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。只进行过一些简单的验证码识别。
7、gzip压缩
有些网页，不论怎么转码都是一团乱码。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。
需要这样修改代码：
import urllib2, httplibrequest = urllib2.Request('http://xxxx.com')request.add_header('Accept-encoding', 'gzip') 1opener = urllib2.build_opener()f = opener.open(request) |
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：
import StringIOimport gzip compresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata)gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read() |
8 多线程并发抓取
单线程太慢，就需要多线程了
虽说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。
对于多线程的爬取，还有一个比较实用的方法是使用Scrapy，Scrapy使用了Twisted作为框架，采用多线程异步爬取，能够大大加快爬取速度。不过也就增加了，被服务器拒绝访问的可能，需要另外解决。
9 反”反盗链”
某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要把headers的referer改成该网站即可：
headers = { 'Referer':'http://www.baidu.com'} |
headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。
10 终极招数
有时候访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。 再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir等等。
11 一些经验
1、连接池：
opener.open和urllib2.urlopen一样，都会新建一个http请求。通常情况下这不是什么问题，因为线性环境下，一秒钟可能也就新生成一个请求；然而在多线程环境下，每秒钟可以是几十上百个请求，这么干只要几分钟，正常的有理智的服务器一定会封禁的。
然而在正常的html请求时，保持同时和服务器几十个连接又是很正常的一件事，所以完全可以手动维护一个HttpConnection的池，然后每次抓取时从连接池里面选连接进行连接即可。
这里有一个取巧的方法，就是利用squid做代理服务器来进行抓取，则squid会自动维护连接池，还附带数据缓存功能，而且squid本来就是我每个服务器上面必装的。
2、设置失败后自动重试
def get(self,req,retries=3): try: response = self.opener.open(req) data = response.read() except Exception: print what,req if retries>0: return self.get(req,retries-1) else: print 'GET Failed',req return '' return data |
3、设置超时
import socketsocket.setdefaulttimeout(10) #设置10秒后连接超时 |