IP代理软件,http代理,API提取-黑洞HTTP

黑洞HTTP

您的位置: 首页 > 新闻资讯 > HTTP代理 > 正文

Python爬虫:一些常用的爬虫技巧总结

发布时间:2019年03月05日 来源:互联网

用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。

Python爬虫:一些常用的爬虫技巧总结

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、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()


黑洞HTTP软件,可以方便快捷做到代理IP的功能,不需要复杂的代码就能帮到你!



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, 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http包中的header来实现,代码片段如下:

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、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,附两个比较好的网址:

正则表达式入门:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html 

正则表达式在线测试:http://tool.oschina.net/regex/ 

其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:

lxml:http://my.oschina.net/jhao104/blog/639448 

BeautifulSoup:http://cuiqingcai.com/1319.html 

对于这两个库,我的评价是,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;lxmlC语言编码,高效,支持Xpath


以上就是Python爬虫的一些常用爬虫技巧,爬虫技巧并不难,只要细心耐心就能做好,希望此文能够帮到你!


相关文章内容简介

1 Python爬虫:一些常用的爬虫技巧总结

用python也差不多一年多了,python应用最多的场景还是web快速开发、爬虫、自动化运维:写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。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、基本抓取网页get方法import urllib2url  "http://www.baidu.com"respons = urllib2.urlopen(url)print response.read()post方法import urllibimport urllib2url = "http://abcde.com"form = {'name':'abc','password':'1234'}form_data = urllib.urle [阅读全文]

热门标签

最新标签

推荐阅读

  1. 10

    2019-04

    动态ip和静态ip有什么区别?对于虚拟ip又有什么不同?

    动态ip——顾名思义,就是用户每一次上网时,会随机分配一个IP地址,比如用手机的流量上网,IP地址是从运营商处临时获取的,两次流量上网使用的IP可能会不一样。

  2. 20

    2019-05

    使用代理IP经常遇到哪些错误

    在使用代理IP的过程中,经常会遇到一些问题,可能一夜醒来,发现代理IP全都不能用了,也有可能就吃了个中午饭,下午的代理IP就大面积失效了,这是为什么呢,是代理IP的质量突然下降了吗

  3. 20

    2019-06

    哪种HTTP代理IP性价比高,要如何选择

    HTTP代理IP对于爬虫工作者来说并不陌生,毕竟需要天天与之打交道。HTTP代理IP作为爬虫与反爬虫斗争中的一大助力,自然至关重要,优质高效的HTTP代理IP可以让工作事半功倍,可以节省很多人力

  4. 24

    2019-06

    分享socks代理IP工具proxycap的使用教程

    ProxyCap是一款简单、实用的代理服务器工具,它能让你所有的应用程序通过HTTP、HTTPS、SOCKS4、SOCKS5、SSH等代理服务器来访问外部网络,支持指定某个应用程序使用某个代理,也可以给某个代理限

  5. 09

    2019-07

    发帖用HTTP代理IP会被封号吗?

    发帖不仅是网友在论坛上各抒己见的行为,也是网络推客、网络营销策划师一种网络公关的手段。通过发帖可以增加曝光度,甚至还能带来直接收益。然而一台电脑一个IP频繁发帖,会被系统判

  6. 25

    2019-06

    哪些免费ip代理网站值得信赖

    大家平常在上网的时候,其实都会在网站的后台留下自己的ip地址,那对于网站的运营者而言,他们会有意识的去筛选出一些ip地址,如果你的ip地址是被他们所禁止的话,那大家下一次就不能够