Python爬虫需要注意的技巧

网络爬虫的要求有几点

一.  一个好的网页解释器，python推荐BeautifulSoup，java推荐htmlparser。

二. 良好的性能,不能太慢，当遇上网络状况不大好的时候,慢更受不了，所以通常需要同时启动N个网络爬虫进行工作.使用队列可以很好解决这个问题。优化性能常见解决方案------队列辅助多线程。

三. 稳定性,容错性。网络本来就存在不稳定性,连接超时，连接重置等是常见的不稳定现象，网络爬虫程序要充分妥当地处理这些问题，保证爬虫输出结果的完整性。

技巧

一. 基本的抓取

import urllib2
content=urllib2.urlopen("http://baidu.com").read()

二. 使用代理服务器

一般，抓去大量数据时，最好使用代理。防止IP被封，下载次数受限等。

import urllib2 

proxy_support=urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})
opener=urllib2.build_opener(proxy_support,urllib2.HTTPHandler)
urllib2.install_opener(opener) 
content=urllib2.urlopen('http://XXXX').read()

三. 需要登录时

1. 使用cookie

import urllib2,cookielib 

cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support,urllib2.HTTPHandler)
urllib2.install_opener(opener) 
content=urllib2.urlopen('http://XXXX').read()

 若想同时使用cookie和代理，则opener换成

opener=urllib2.build_opener(proxy_support,cookie_support,urllib2.HTTPHandler)

2. 处理表单

一般通过post方式提交数据，可以利用F12开发者工具分析提交的数据包，然后构建相应的post数据发送http请求

3. 伪装成浏览器

某些网站反感爬虫，拒绝请求。可以通过修改http包的header来伪装

headers={
‘User-Angent’: 'Mozilla/5.0(Windows;U;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/3.5.6'
}
req=urllib2.Request(
    url="http://...",
    data=postData,
    headers=headers
)

4. 反盗链

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。

参考文档：http://blog.csdn.net/nn179/article/details/7770768

                http://wenku.baidu.com/link?