用python也差不多一年多了，python應用最多的場景還是web快速開發、爬蟲、自動化運維：寫過簡單網站、寫過自動發帖腳本、寫過收發郵件腳本、寫過簡單驗證碼識別腳本。
爬蟲在開發過程中也有很多復用的過程，這里總結一下，以后也能省些事情。
1、基本抓取網頁
get方法
|
1
2
3
4
5
|
import urllib2 url = "http://www.baidu.com"response = urllib2.urlopen(url)print response.read() |
post方法
|
1
2
3
4
5
6
7
8
9
|
import urllibimport 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
在開發爬蟲過程中經常會遇到IP被封掉的情況，這時就需要用到代理IP；
在urllib2包中有ProxyHandler類，通過此類可以設置代理訪問網頁，如下代碼片段：
|
1
2
3
4
5
6
7
|
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處理
cookies是某些網站為了辨別用戶身份、進行session跟蹤而儲存在用戶本地終端上的數據(通常經過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
|
1
2
3
4
5
6
|
import urllib2, cookielib cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener = urllib2.build_opener(cookie_support)urllib2.install_opener(opener)content = urllib2.urlopen('http://XXXX').read() |
關鍵在于CookieJar()，它用于管理HTTP cookie值、存儲HTTP請求生成的cookie、向傳出的HTTP請求添加cookie的對象。整個cookie都存儲在內存中，對CookieJar實例進行垃圾回收后cookie也將丟失，所有過程都不需要單獨去操作。
手動添加cookie
|
1
2
3
4
|
cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="request.add_header("Cookie", cookie) |
4、偽裝成瀏覽器
某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網站經常會出現HTTP Error 403: Forbidden的情況
對有些 header 要特別留意，Server 端會針對這些 header 做檢查
1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發起的 Request
2.Content-Type 在使用 REST 接口時，Server 會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。
這時可以通過修改http包中的header來實現，代碼片段如下：
|
1
2
3
4
5
6
7
8
9
10
|
import urllib2 headers = { '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、頁面解析
對于頁面解析最強大的當然是正則表達式，這個對于不同網站不同的使用者都不一樣，就不用過多的說明，其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，但是功能實用，比如能用通過結果搜索獲得某個HTML節點的源碼；lxmlC語言編碼，高效，支持Xpath
6、驗證碼的處理
對于一些簡單的驗證碼，可以進行簡單的識別。本人也只進行過一些簡單的驗證碼識別。但是有些反人類的驗證碼，比如12306，可以通過打碼平臺進行人工打碼，當然這是要付費的。
7、gzip壓縮
有沒有遇到過某些網頁，不論怎么轉碼都是一團亂碼。哈哈，那說明你還不知道許多web服務具有發送壓縮數據的能力，這可以將網絡線路上傳輸的大量數據消減 60% 以上。這尤其適用于 XML web 服務，因為 XML 數據 的壓縮率可以很高。
但是一般服務器不會為你發送壓縮數據，除非你告訴服務器你可以處理壓縮數據。
于是需要這樣修改代碼：
|
1
2
3
4
5
|
import urllib2, httplibrequest = urllib2.Request('http://xxxx.com')request.add_header('Accept-encoding', 'gzip') 1opener = urllib2.build_opener()f = opener.open(request) |
這是關鍵:創建Request對象，添加一個 Accept-encoding 頭信息告訴服務器你能接受 gzip 壓縮數據
然后就是解壓縮數據：
|
1
2
3
4
5
6
7
|
import StringIOimport gzip compresseddata = f.read() compressedstream = StringIO.StringIO(compresseddata)gzipper = gzip.GzipFile(fileobj=compressedstream) print gzipper.read() |
8、多線程并發抓取
單線程太慢的話，就需要多線程了，這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是并發的。
雖然說python的多線程很雞肋，但是對于爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
from threading import Threadfrom Queue import Queuefrom time import sleep# q是任務隊列#NUM是并發線程總數#JOBS是有多少任務q = Queue()NUM = 2JOBS = 10#具體的處理函數，負責處理單個任務def do_somthing_using(arguments): print arguments#這個是工作進程，負責不斷從隊列取數據并處理def working(): while True: arguments = q.get() do_somthing_using(arguments) sleep(1) q.task_done()#fork NUM個線程等待隊列for i in range(NUM): t = Thread(target=working) t.setDaemon(True) t.start()#把JOBS排入隊列for i in range(JOBS): q.put(i)#等待所有JOBS完成q.join() |
