用Python也差不多一年多了，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。
私信
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。
1、基本抓取网页
（图片来自网络侵删）get方法
import urllib2url = "http://www.baidu.com"response = urllib2.urlopen(url)print response.read()post方法
import urllibimport urllib2url = "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、利用代理IP
在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': '127.0.0.1:8087'})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()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：
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="request.add_header("Cookie", 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：
1.User-Agent 有些 Server 或 Proxy 会检讨该值，用来判断是否是浏览器发起的 Request。
2.Content-Type 在利用 REST 接口时，Server 会检讨该值，用来确定 HTTP Body 中的内容该若何解析。
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 = 'http://my.oschina.net/jhao104/blog?catalog=3463517', 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；lxml C措辞编码，高效，支持Xpath。
6、验证码的处理
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。
7、gzip压缩
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()
