码迷,mamicode.com
首页 > 其他好文 > 详细

你必须知道的爬虫技巧

时间:2018-12-08 13:22:20      阅读:113      评论:0      收藏:0      [点我收藏+]

标签:request   header   aaa   请求   coding   乱码   ade   修改   作用   

大数据时代,无论是设计产品还是营销推广,都需要以科学的数据分析为依据。现在想要获得海量的有效数据,还得依靠爬虫技术的帮助,而爬虫在开发过程中也有很多复用的过程,这里总结一下,以后也能省些事情。
1、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:
技术分享图片
2、使用代理IP
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;代理IP我们一般购买的芝麻IP代理,IP数量多,连接稳定。
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:
技术分享图片
3、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http包中的header来实现,代码片段如下:
技术分享图片
4、基本抓取网页
get方法
技术分享图片
post方法
技术分享图片
5、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:
技术分享图片
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:
技术分享图片
6、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。
技术分享图片

你必须知道的爬虫技巧

标签:request   header   aaa   请求   coding   乱码   ade   修改   作用   

原文地址:http://blog.51cto.com/14062184/2327821

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!