php简略单纯蜘蛛源码技巧_Python进修8个常用的技巧打造一只强悍Python蜘蛛

Python运用最多的场景还是web快速开拓、爬虫、自动化运维：写过大略网站、写过自动发帖脚本、写过收发邮件脚本、写过大略验证码识别脚本。

爬虫在开拓过程中也有很多复用的过程，这里总结一下，往后也能省些事情。

get方法

import urllib2url = \"大众http://www.baidu.com\公众response = urllib2.urlopen(url)print(response.read())

post方法

import urllibimport urllib2url = \"大众http://abcde.com\"大众form = { name : abc , password : 1234 }form_data = urllib.urlencode(form)request = urllib2.Request(url,form_data)response = urllib2.urlopen(request)print(response.read())2、利用代理IP

开拓爬虫过程中常常会碰着IP被封掉的情形，这时就须要用到代理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：

import urllib2proxy = urllib2.ProxyHandler({ http : 127.0.0.1:8089 })opener = urllib2.build_opener(proxy)urllib2.install_opener(opener)response = urllib2.urlopen( http://www.baidu.com )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(常日经由加密)，python供应了cookielib模块用于处理cookies，cookielib模块的紧张浸染是供应可存储cookie的工具，以便于与urllib2模块合营利用来访问Internet资源.

代码片段：

import urllib2, cookielibcookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener = urllib2.build_opener(cookie_support)urllib2.install_opener(opener)content = urllib2.urlopen( http://XXXX ).read() \"大众\"大众\公众关键在于CookieJar()，它用于管理HTTP cookie值、存储HTTP要求天生的cookie、向传出的HTTP要求添加cookie的工具。
全体cookie都存储在内存中，对CookieJar实例进行垃圾回收后cookie也将丢失，所有过程都不须要单独去操作。
手动添加cookie\"大众\公众\"大众cookie = \"大众PHPSESSID=; kmsign=; KMUID=\公众request.add_header(\"大众Cookie\公众, cookie)4、伪装成浏览器

某些网站反感爬虫的到访，于是对爬虫一律谢绝要求。
以是用urllib2直接访问网站常常会涌现HTTP Error 403: Forbidden的情形

对有些 header 要特殊留神，Server 端会针对这些 header 做检讨

这时可以通过修正http包中的header来实现，代码片段如下：

import urllib2headers = { 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 = \"大众 你要访问的网址，要带http://\"大众 , headers = headers)print(urllib2.urlopen(request).read())5、页面解析

对付页面解析最强大确当然是正则表达式，这个对付不同网站不同的利用者都不一样，就不用过多的解释，附两个比较好的网址：

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/

其次便是解析库了，常用的有两个lxml和BeautifulSoup，对付这两个的利用先容两个比较好的网站：

lxml：http://my.oschina.net/jhao104/blog/639448

BeautifulSoup：http://cuiqingcai.com/1319.html

对付这两个库，我的评价是，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得到某个HTML节点的源码；lxmlC措辞编码，高效，支持Xpath

对付一些大略的验证码，可以进行大略的识别。
本人也只进行过一些大略的验证码识别。
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。

有没有碰着过某些网页，不论怎么转码都是一团乱码。
哈哈，那解释你还不知道许多web做事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。
这尤实在用于 XML web 做事，由于 XML 数据 的压缩率可以很高。

但是一样平常做事器不会为你发送压缩数据，除非你见告做事器你可以处理压缩数据。

于是须要这样修正代码：

import urllib2, httplibrequest = urllib2.Request( http://xxxx.com )request.add_header( Accept-encoding , gzip ) opener = urllib2.build_opener()f = opener.open(request)

这是关键:创建Request工具，添加一个 Accept-encoding 头信息见告做事器你能接管 gzip 压缩数据

然后便是解压缩数据：

import StringIOimport gzipcompresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata)gzipper = gzip.GzipFile(fileobj=compressedstream) print(gzipper.read())8、多线程并发抓取

单线程太慢的话，就须要多线程了，这里给个大略的线程池模板 这个程序只是大略地打印了1-10，但是可以看出是并发的。

虽然说python的多线程很鸡肋，但是对付爬虫这种网络频繁型，还是能一定程度提高效率的。

from threading import Threadfrom Queue import Queuefrom time import sleep# q是任务行列步队#NUM是并发线程总数#JOBS是有多少任务q = Queue()NUM = 2JOBS = 10#详细的处理函数，卖力处理单个任务def do_somthing_using(arguments): print arguments#这个是事情进程，卖力不断从行列步队取数据并处理def working(): while True: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done()#fork NUM个线程等待行列步队for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start()#把JOBS排入行列步队for i in range(JOBS): q.put(i)#等待所有JOBS完成q.join()