Python快速上手的7大技巧
Python快速上手爬虫的7大技巧
1、基本抓取网页
get方法
post方法
2、使用代理IP
在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urllib 2包中有Proxy Handler类， 通过此类可以设置代理
访问网页，如下代码片段：
3、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
cookie lib模块用于处理cookies， cookie lib模块的主要作
用是提供可存储cookie的对象， 以便于与urllib 2模块配合使
用来访问Internet资源。
代码片段：
关键在于Cookie Jar() ， 它用于管理HTTP cookie值、存储
HTTP请求生成的cookie、向传出的HTTP请求添加cookie
的对象。整个cookie都存储在内存中， 对Cookie Jar实例进
行垃圾回收后cookie也将丢失， 所有过程都不需要单独去操作
手动添加cookie：
4、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
urllib 2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Request。
2.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
5、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。我们只进行过一
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。
6、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：
7、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。