網路爬蟲python代碼
⑴ 畢業生必看python爬蟲上手技巧
Python快速上手的7大技巧
Python快速上手爬蟲的7大技巧
1、基本抓取網頁
get方法
post方法
2、使用代理IP
在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；
在urllib 2包中有Proxy Handler類， 通過此類可以設置代理
訪問網頁，如下代碼片段：
3、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
cookie lib模塊用於處理cookies， cookie lib模塊的主要作
用是提供可存儲cookie的對象， 以便於與urllib 2模塊配合使
用來訪問Internet資源。
代碼片段：
關鍵在於Cookie Jar() ， 它用於管理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都存儲在內存中， 對Cookie Jar實例進
行垃圾回收後cookie也將丟失， 所有過程都不需要單獨去操作
手動添加cookie：
4、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
urllib 2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：
1.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。
2.Content-Type在使用REST介面時， 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
5、驗證碼的處理
對於一些簡單的驗證碼，可以進行簡單的識別。我們只進行過一
些簡單的驗證碼識別，但是有些反人類的驗證碼，比如12306
，可以通過打碼平台進行人工打碼，當然這是要付費的。
6、gzip壓縮
有沒有遇到過某些網頁，不論怎麼轉碼都是一團亂碼。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
以將網路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。
但是一般伺服器不會為你發送壓縮數據，除非你告訴伺服器你可
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頭信息告訴伺服器你能接受gzip壓縮數據。
然後就是解壓縮數據：
7、多線程並發抓取
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列印了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路頻繁型
，還是能一定程度提高效率的。
⑵ 鐢╬ython鐖鍙栧叧閿璇嶅苟瑙ｉ噴
Copyright © 1999-2020, CSDN.NET, All Rights Reserved
python
鎵撳紑APP
灝忕緤鍔鍔涙悶浠ｇ爜
鍏蟲敞
瀛︿範鏃ュ織錛歅ython 瀹炵幇緗戠粶鐖鉶鈥斺旀彁鍙栧叧閿瀛 鍘熷壋
2022-06-19 13:02:38
灝忕緤鍔鍔涙悶浠ｇ爜
鐮侀緞174澶
鍏蟲敞
緙栧啓涓孌礟ython浠ｇ爜錛屽悜鐧懼害鎻愪氦鏌ヨ㈠叧閿璇嶁滄冭姳婧愯扳濓紝鎶撳彇鐧懼害鐨勬煡璇㈢粨鏋滐紝瑕佹眰鏈夋枃瀛椼侀摼鎺ワ紝鍙浠ュ湪嫻忚堝櫒涓鎵撳紑鎶撳彇鐨勯摼鎺ワ紝鎴栬呰皟鐢ㄦ祻瑙堝櫒鎵撳紑鎶撳彇鐨勯摼鎺ャ
綰㈡嗗唴鏄鏍規嵁緗戠珯淇℃伅闇瑕佹洿鏀圭殑鍐呭廣.png
闄勪笂瀹屾暣浠ｇ爜錛
import json
import requests
from lxml import etree
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/88.0.4324.104 Safari/537.36"
}
response = requests.get('https://www..com/s?wd=妗冭姳婧愯&lm=0', headers=headers)
r = response.text
html = etree.HTML(r, etree.HTMLParser())
r1 = html.xpath('//h3')
r2 = html.xpath('//*[@class="content-right_8Zs40"]')
r3 = html.xpath('//*[@class="c-row source_1Vdff OP_LOG_LINK c-gap-top-xsmall"]/a/@href')
for i in range(4):
r11 = r1[i].xpath('string(.)')
r22 = r2[i].xpath('string(.)')
r33 = r3[i]
with open('妗冭姳婧愯.txt', 'a', encoding='utf-8') as c:
c.write(json.mps(r11,ensure_ascii=False) + '\n')
c.write(json.mps(r22, ensure_ascii=False) + '\n')
c.write(json.mps(r33, ensure_ascii=False) + '\n')
print(r11, end='\n')
print('------------------------')
print(r22, end='\n')
print(r33)