您的位置:首页 > 新闻资讯 > 文章内容
帮助到爬虫的技巧
来源:互联网 作者:admin 时间:2020-06-22 13:56:29

  掌握网络爬虫能够用到的一些小技巧,对于大家爬取数据遇到困难的时候,都很有帮助。

帮助到爬虫的技巧

  1、基本抓取网页:get方法、post方法

  2、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。

  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

  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

  (1)User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是发起的 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

  (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。

  关键在于CookieJar(),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CookieJar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。

  4、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。

  其次就是解析库了,常用的有两个lxml和BeautifulSoup,这两个库,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

  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。但是有些反人类的验证码,可以通过打码平台进行人工打码。

  关于网络爬虫如果还有更多的问题,也可以咨询万变ip客服。


相关文章内容简介
推荐阅读
  • 29 2018-10
    如何结合代理ip来防止爬虫被封?

    代理服务器的作用,很多用户了解的一知半点,并不是特别的了解,今天就给大家进行简单的介绍。特别是ip代理在爬虫方面的使用,我们是如何结合代理ip来防止爬虫被封掉的。

  • 16 2020-10
    代理ip无法顺利解决ip问题?

    大家选择代理ip一般都是为了要解决网络ip的一些问题,可是如果用了ip代理之后,问题无法顺利解决呢?

  • 02 2021-03
    代理ip软件是必备的辅助工具

    面临网络ip的使用,我们要解决的问题有很多,当然其中也会有关于代理ip方面的问题。

  • 29 2018-10
    ip修改器的使用体验

    ip修改器,我们可以在很多地方使用它。只要是符合换ip的使用场景,ip转换器就能够发挥出它的作用。代理IP是换IP的软件,当出现IP限制的时候,可以用它来解决。特别对网络工作者来说,代理

  • 20 2020-08
    换ip用动态ip代理

    网络中要更改ip地址,大家都会选择什么方式呢?那么有什么方法能修改IP地址呢?

  • 03 2020-09
    请求代理ip软件响应的过程

    通过代理ip软件请求服务的时候,工作是怎么开展的呢?代理ip要怎么来使用以及处理使用出现的问题?