你必须知道的爬虫技巧

Posted 2021-01-25

大数据时代，无论是设计产品还是营销推广，都需要以科学的数据分析为依据。现在想要获得海量的有效数据，还得依靠爬虫技术的帮助，而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、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：

2、使用代理IP
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；代理IP我们一般购买的芝麻IP代理，IP数量多，连接稳定。
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：

3、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：

4、基本抓取网页
get方法

post方法

5、gzip压缩
有没有遇到过某些网页，不论怎么转码都是一团乱码。哈哈，那说明你还不知道许多web服务具有发送压缩数据的能力，这可以将网络线路上传输的大量数据消减 60% 以上。这尤其适用于 XML web 服务，因为 XML 数据 的压缩率可以很高。
但是一般服务器不会为你发送压缩数据，除非你告诉服务器你可以处理压缩数据。
于是需要这样修改代码：

这是关键:创建Request对象，添加一个 Accept-encoding 头信息告诉服务器你能接受 gzip 压缩数据，然后就是解压缩数据：

6、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。虽然说python的多线程很鸡肋，但是对于爬虫这种网络频繁型，还是能一定程度提高效率的。