Python爬虫常用的爬虫注意事项及技巧

urllib库为例进行介绍
中所有代码需要注意的库文件名：urllib 、cookielib 、httplib 、StringIO 、gzip 、Thread 、Queue

1、基本抓取网页

get方法

import urllib2

url = "http://www.baidu.com"
respons = urllib2.urlopen(url)
print(response.read())

post方法

import urllib
import 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：

import urllib2

proxy = 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(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：

import urllib2
import 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。

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 header 来实现，代码片段如下：

import urllib2

headers = {
    'User-Agent': 'Mozilla/5.0'
}
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
• 解析库了，常用的有两个 lxml 和 BeautifulSoup
• 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语言编码，高效，支持Xpath
• 个人比较喜欢使用 xpath 进行页面解析

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。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：

import urllib2
import httplib

request = 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 StringIO
import 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

from threading import Thread
from Queue import Queue
from time import sleep

# q是任务队列
# NUM是并发线程总数
# JOBS是有多少任务
q = Queue()
NUM = 2
JOBS = 10


# 具体的处理函数，负责处理单个任务
def do_somthing_using(arguments):
    print(arguments)


# 这个是工作进程，负责不断从队列取数据并处理
def working():
    while True:
        arguments = q.get()
    do_somthing_using(arguments)
    sleep(1)
    q.task_done()


# fork NUM个线程等待队列
for i in range(NUM):
    t = Thread(target=working)
    t.setDaemon(True)
    t.start()
# 把JOBS排入队列
for i in range(JOBS):
    q.put(i)
# 等待所有JOBS完成
q.join()

ps：高强度的爬虫会对服务器造成很大的压力，使用时配置好请求速度，合理使用避免造成不良影响