用python也差不多一年多了，python應(yīng)用最多的場景還是web快速開發(fā)、爬蟲、自動化運維：寫過簡單網(wǎng)站、寫過自動發(fā)帖腳本、寫過收發(fā)郵件腳本、寫過簡單驗證碼識別腳本。
爬蟲在開發(fā)過程中也有很多復(fù)用的過程，這里總結(jié)一下，以后也能省些事情。
在開發(fā)爬蟲過程中經(jīng)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(shè)置代理訪問網(wǎng)頁，如下代碼片段：
cookies是某些網(wǎng)站為了辨別用戶身份、進(jìn)行session跟蹤而儲存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)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：
關(guān)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(nèi)存中，對CookieJar實例進(jìn)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
某些網(wǎng)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(wǎng)站經(jīng)常會出現(xiàn)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(fā)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(nèi)容該怎樣解析。
這時可以通過修改http包中的header來實現(xiàn)，代碼片段如下：
對于頁面解析最強大的當(dāng)然是正則表達(dá)式，這個對于不同網(wǎng)站不同的使用者都不一樣，就不用過多的說明，附兩個比較好的網(wǎng)址：
正則表達(dá)式入門：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正則表達(dá)式在線測試：http://tool.oschina.net/regex/
其次就是解析庫了，常用的有兩個lxml和BeautifulSoup，對于這兩個的使用介紹兩個比較好的網(wǎng)站：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
對于這兩個庫，我的評價是，都是HTML/XML的處理庫，Beautifulsoup純python實現(xiàn)，效率低，但是功能實用，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點的源碼；lxmlC語言編碼，高效，支持Xpath
對于一些簡單的驗證碼，可以進(jìn)行簡單的識別。本人也只進(jìn)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(jìn)行人工打碼，當(dāng)然這是要付費的。
有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。哈哈，那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務(wù)，因為 XML 數(shù)據(jù) 的壓縮率可以很高。
但是一般服務(wù)器不會為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)。
于是需要這樣修改代碼：
這是關(guān)鍵:創(chuàng)建Request對象，添加一個 Accept-encoding 頭信息告訴服務(wù)器你能接受 gzip 壓縮數(shù)據(jù)
然后就是解壓縮數(shù)據(jù)：
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(fā)的。
雖然說python的多線程很雞肋，但是對于爬蟲這種網(wǎng)絡(luò)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(wù)隊列#NUM是并發(fā)線程總數(shù)#JOBS是有多少任務(wù)q = Queue()NUM = 2JOBS = 10#具體的處理函數(shù)，負(fù)責(zé)處理單個任務(wù)def do_somthing_using(arguments): print arguments#這個是工作進(jìn)程，負(fù)責(zé)不斷從隊列取數(shù)據(jù)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() |
轉(zhuǎn)載請注明來源：開源中國 http://my.oschina.net/jhao104/blog/647308
