用python也差不多一年多了，python應(yīng)用最多的場景還是web快速開發(fā)、爬蟲、自動化運(yùn)維：寫過簡單網(wǎng)站、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本、寫過簡單驗(yàn)證碼識別腳本。

爬蟲在開發(fā)過程中也有很多復(fù)用的過程，這里總結(jié)一下，以后也能省些事情。

1、基本抓取網(wǎng)頁

get方法

import urllib2

url? "網(wǎng)頁鏈接

respons = urllib2.urlopen(url)

print response.read()

post方法

import urllib

import urllib2

url = "網(wǎng)頁鏈接

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(fā)爬蟲過程中經(jīng)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(shè)置代理訪問網(wǎng)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('網(wǎng)頁鏈接)

print response.read()

3、Cookies處理

cookies是某些網(wǎng)站為了辨別用戶身份、進(jìn)行session跟蹤而儲存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)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儲cookie的對象，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(guān)鍵在于CookieJar()，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內(nèi)存中，對CookieJar實(shí)例進(jìn)行垃圾回收后cookie也將丟失，所有過程都不需要單獨(dú)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(wǎng)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(wǎng)站經(jīng)常會出現(xiàn)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

User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request

Content-Type 在使用 REST 接口時，Server 會檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。

這時可以通過修改http包中的header來實(shí)現(xiàn)，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 = '網(wǎng)頁鏈接,

headers = headers

)

print urllib2.urlopen(request).read()

5、頁面解析

對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式，這個對于不同網(wǎng)站不同的使用者都不一樣，就不用過多的說明

其次就是解析庫了，常用的有兩個lxml和BeautifulSoup

對于這兩個庫，我的評價(jià)是，都是HTML/XML的處理庫，Beautifulsoup純python實(shí)現(xiàn)，效率低，但是功能實(shí)用，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點(diǎn)的源碼；lxmlC語言編碼，高效，支持Xpath

6、驗(yàn)證碼的處理

對于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識別。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識別。但是有些反人類的驗(yàn)證碼，比如12306，可以通過打碼平臺進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的。

7、gzip壓縮

有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈，那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務(wù)，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高。

但是一般服務(wù)器不會為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)。

于是需要這樣修改代碼：

import urllib2, httplib

request = urllib2.Request('網(wǎng)頁鏈接)

request.add_header('Accept-encoding', 'gzip')? ? ? ? 1

opener = urllib2.build_opener()

f = opener.open(request)

這是關(guān)鍵:創(chuàng)建Request對象，添加一個 Accept-encoding 頭信息告訴服務(wù)器你能接受 gzip 壓縮數(shù)據(jù)

然后就是解壓縮數(shù)據(jù)：

import StringIO

import gzip

compresseddata = f.read()

compressedstream = StringIO.StringIO(compresseddata)

gzipper = gzip.GzipFile(fileobj=compressedstream)

print gzipper.read()

8、多線程并發(fā)抓取

單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發(fā)的。

雖然說python的多線程很雞肋，但是對于爬蟲這種網(wǎng)絡(luò)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(wù)隊(duì)列

#NUM是并發(fā)線程總數(shù)

#JOBS是有多少任務(wù)

q = Queue()

NUM = 2

JOBS = 10

#具體的處理函數(shù)，負(fù)責(zé)處理單個任務(wù)

def do_somthing_using(arguments):

print arguments

#這個是工作進(jìn)程，負(fù)責(zé)不斷從隊(duì)列取數(shù)據(jù)并處理

def working():

while True:

arguments = q.get()

do_somthing_using(arguments)

sleep(1)

q.task_done()

#fork NUM個線程等待隊(duì)列

for i in range(NUM):

t = Thread(target=working)

t.setDaemon(True)

t.start()

#把JOBS排入隊(duì)列

for i in range(JOBS):

q.put(i)

#等待所有JOBS完成學(xué)好python你需要一個良好的環(huán)境，一個優(yōu)質(zhì)的開發(fā)交流群，群里都是那種相互幫助的人才是可以的，我有建立一個python學(xué)習(xí)交流群，在群里我們相互幫助，相互關(guān)心，相互分享內(nèi)容，這樣出問題幫助你的人就比較多，群號是301，還有056，最后是051，這樣就可以找到大神聚合的群，如果你只愿意別人幫助你，不愿意分享或者幫助別人，那就請不要加了，你把你會的告訴別人這是一種分享。如果你看了覺得還可以的麻煩給我點(diǎn)個贊謝謝

。