你必須知道的爬蟲技巧
阿新 • • 發佈：2018-12-08
cookies 分享圖片 accept 怎樣 很多 線程池 不知道 blog color 大數據時代，無論是設計產品還是營銷推廣，都需要以科學的數據分析為依據。現在想要獲得海量的有效數據，還得依靠爬蟲技術的幫助，而爬蟲在開發過程中也有很多復用的過程，這裏總結一下，以後也能省些事情。
1、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模塊用於處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
2、使用代理IP
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；代理IP我們一般購買的芝麻IP代理，IP數量多，連接穩定。
3、偽裝成瀏覽器
某些網站反感爬蟲的到訪，於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
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
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：
4、基本抓取網頁
get方法
post方法
5、gzip壓縮
有沒有遇到過某些網頁，不論怎麽轉碼都是一團亂碼。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。這尤其適用於 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。
於是需要這樣修改代碼：
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，然後就是解壓縮數據：
6、多線程並發抓取
單線程太慢的話，就需要多線程了，這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是並發的。雖然說python的多線程很雞肋，但是對於爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
1、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模塊用於處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便於與urllib2模塊配合使用來訪問Internet資源.
代碼片段：
2、使用代理IP
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；代理IP我們一般購買的芝麻IP代理，IP數量多，連接穩定。
3、偽裝成瀏覽器
某些網站反感爬蟲的到訪，於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
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
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：
4、基本抓取網頁
get方法
post方法
5、gzip壓縮
有沒有遇到過某些網頁，不論怎麽轉碼都是一團亂碼。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。這尤其適用於 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。
於是需要這樣修改代碼：
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，然後就是解壓縮數據：
6、多線程並發抓取
單線程太慢的話，就需要多線程了，這裏給個簡單的線程池模板 這個程序只是簡單地打印了1-10，但是可以看出是並發的。雖然說python的多線程很雞肋，但是對於爬蟲這種網絡頻繁型，還是能一定程度提高效率的。
你必須知道的爬蟲技巧