Python爬虫入门，8个常用爬虫技巧盘点
来源：
奇酷教育 发表于：
Python爬虫入门，8个常用爬虫技巧盘点。
python入门时
用得最多的还是各类爬虫脚本，
写过抓代理本机验证的脚本、写过论坛中自动登录自动发贴的脚本
写过自动收邮件的脚本、写过简单的验证码识别的脚本。
这些脚本有一个共性，都是和web相关的，
8个常用爬虫技巧盘点和大家分享：
1、基本抓取网页
get方法
post方法
2.使用代理服务器
这在某些情况下比较有用，
比如IP被封了，或者比如IP访问的次数受到限制等等。
3.Cookies处理
是的没错，如果想同时用代理和cookie，
那就加入proxy_support然后operner改为 ，如下：
4.伪装成浏览器访问
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。
这时候我们需要伪装成浏览器，
这可以通过修改http包中的header来实现：
5、页面解析
对于页面解析最强大的当然是正则表达式，
这个对于不同网站不同的使用者都不一样，就不用过多的说明。
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。
6.验证码的处理
碰到验证码咋办？
这里分两种情况处理：
google那种验证码，没办法。
简单的验证码：字符个数有限，只使用了简单的平移或旋转加噪音而没有扭曲的，
这种还是有可能可以处理的，一般思路是旋转的转回来，噪音去掉，
然后划分单个字符，划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库，
然后把验证码和特征库进行比较。
这个比较复杂，这里就不展开了，
具体做法请弄本相关教科书好好研究一下。
7. gzip/deflate支持
现在的网页普遍支持gzip压缩，这往往可以解决大量传输时间，
以VeryCD的主页为例，未压缩版本247K，压缩了以后45K，为原来的1/5。
这就意味着抓取速度会快5倍。
然而python的urllib/urllib2默认都不支持压缩
要返回压缩格式，必须在request的header里面写明’accept-encoding’，
然后读取response后更要检查header查看是否有’content-encoding’一项来判断是否需要解码，很繁琐琐碎。
如何让urllib2自动支持gzip, defalte呢？
其实可以继承BaseHanlder类，
然后build_opener的方式来处理：
8、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。
9. 总结
阅读Python编写的代码感觉像在阅读英语一样，这让使用者可以专注于解决问题而不是去搞明白语言本身。
Python虽然是基于C语言编写，但是摒弃了C中复杂的指针，使其变得简明易学。
并且作为开源软件，Python允许对代码进行阅读，拷贝甚至改进。
这些性能成就了Python的高效率，有“人生苦短，我用Python”之说，是一种十分精彩又强大的语言。
总而言之，开始学Python一定要注意这4点：
1.代码规范，这本身就是一个非常好的习惯，如果开始不养好好的代码规划，以后会很痛苦。
2.多动手，少看书，很多人学Python就一味的看书，这不是学数学物理，你看例题可能就会了，学习Python主要是学习编程思想。
3.勤练习，学完新的知识点，一定要记得如何去应用，不然学完就会忘，学我们这行主要都是实际操作。
4.学习要有效率，如果自己都觉得效率非常低，那就停不停，找一下原因，去问问过来人这是为什么。
