python

导航

python爬虫有哪些小技巧?

来源 :中华考试网 2020-09-25

  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;

  在urllib2包中有ProxyHandler类,通过此类可以设置代理访问网页,

  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.

  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1.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 Request2.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。

  页面解析

  对于页面解析最强大的当然是正则表达式。

  其次就是解析库了,常用的有两个lxml和BeautifulSoup,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

  验证码的处理

  对于一些简单的验证码,可以进行简单的识别。本人也只进行过一些简单的验证码识别。但是有些反人类的验证码,比如12306,可以通过打码平台进行人工打码,当然这是要付费的。

  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。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。

分享到

相关资讯