Python爬虫入门,8个常用爬虫技巧盘点
编程对于任何一个新手来说都不是一件容易的事情,Python对于任何一个想学习的编程的人来说确实是一个福音,阅读Python代码像是在阅读文章,源于Python语言提供了非常优雅的语法,被称为最优雅的语言之一。
image.png
python入门时
用得最多的还是各类爬虫脚本,写过抓代理商本机验证的脚本、写过论坛中自动登录自动发贴的脚本、写过自动收邮件的脚本、写过简单的验证码识别的脚本。这些脚本有一个共性,都是和web相关的,总要用到获取链接的少量方法,故累积了不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。
1、基本抓取网页
get方法
image.png
post方法
image.png
2.使用代理商服务器
这在某些情况下比较有用,比方IP被封了,或者者比方IP访问的次数受到限制等等。
image.png
3.Cookies解决
image.png
是的没错,假如想同时用代理商和cookie,那就加入proxy_support而后operner改为 ,如下:
image.png
4.假装成浏览器访问
某些网站反感爬虫的到访,于是对爬虫全部拒绝请求。这时候我们需要假装成浏览器,这可以通过修改http包中的header来实现:
image.png
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,就不用过多的说明。
image.png
其次就是解析库了,常用的有两个lxml和BeautifulSoup。对于这两个库,我的评价是,都是HTML/XML的解决库,Beautifulsoup纯python实现,效率低,但是功能实用,比方能用通过结果搜索取得某个HTML节点的源码;lxmlC语言编码,高效,支持Xpath。
6.验证码的解决
碰到验证码咋办?这里分两种情况解决:google那种验证码,没办法。
简单的验证码:字符个数有限,只使用了简单的平移或者旋转加噪音而没有扭曲的,这种还是有可能可以解决的,一般思路是旋转的转回来,噪音去掉,而后划分单个字符,划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库,而后把验证码和特征库进行比较。
这个比较复杂,这里就不开展了。
7. gzip/deflate支持
现在的网页普遍支持gzip压缩,这往往可以处理大量传输时间,以VeryCD的主页为例,未压缩版本247K,压缩了以后45K,为原来的1/5。
这就意味着抓取速度会快5倍。然而python的urllib/urllib2默认都不支持压缩,要返回压缩格式,必需在request的header里面写明’accept-encoding’,而后读取response后更要检查header查看能否有’content-encoding’一项来判断能否需要解码,很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢?
其实可以继承BaseHanlder类,而后build_opener的方式来解决:
image.png
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。尽管说Python的多线程很鸡肋,但是对于爬虫这种网络频繁型,还是能肯定程度提高效率的。
image.png
9. 总结
阅读Python编写的代码感觉像在阅读英语一样,这让使用者可以专注于处理问题而不是去搞明白语言本身。
Python尽管是基于C语言编写,但是摒弃了C中复杂的指针,使其变得简明易学。并且作为开源软件,Python允许对代码进行阅读,拷贝甚至改进。
这些性能成就了Python的高效率,有“人生苦短,我用Python”之说,是一种十分精彩又强大的语言。
总而言之,开始学Python肯定要注意这4点:
1.代码规范,这本身就是一个非常好的习惯,假如开始不养好好的代码规划,以后会很痛苦。
2.多动手,少看书,很多人学Python就一味的看书,这不是学数学物理,你看例题可能就会了,学习Python主要是学习编程思想。
3.勤练习,学完新的知识点,肯定要记得如何去应用,不然学完就会忘,学我们这行主要都是实际操作。
4.学习要有效率,假如自己都觉得效率非常低,那就停不停,找一下起因,去问问过来人这是为什么。
公众号二维码.png
微信公众号:妞妞和喵喵,欢迎加入,一起学python。关注即有500g学习资源免费送。
1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,您必须在下载后24小时内删除!
3. 不得使用于非法商业用途,不得违反国家法律。否则后果自负!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是摆设,本站源码仅提供给会员学习使用!
7. 如遇到加密压缩包,请使用360解压,如遇到无法解压的请联系管理员
开心源码网 » Python爬虫入门,8个常用爬虫技巧盘点