扣丁学堂Python培训之Python基础教程Python环境搭建

2018-06-08 11:06:03 520浏览

在先如今，随着互联网科技飞速的发展和进步，目前python尤为火热，Python的应用场景还是web快速开发、爬虫、自动化运维：写过简单网站、写过自动发帖脚本、写过收发邮件脚本、写过简单验证码识别脚本。Python爬虫在开发过程中也有很多复用的过程，这里总结一下，以后也能省些事情。

1、基本抓取网页

　　get方法
　　Python
　　importurllib2
　　url"http://www.codingke.com/"
　　respons=urllib2.urlopen(url)
　　printresponse.read()
　　post方法
　　importurllib
　　importurllib2
　　url='http://www.codingke.com/'
　　form={'name':'abc','password':'1234'}
　　form_data=urllib.urlencode(form)
　　request=urllib2.Request(url,form_data)
　　response=urllib2.urlopen(request)
　　printresponse.read()

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urllib2包中有ProxyHandler类，通过此类可以设置代理访问网页，如下代码片段：

importurllib2
proxy=urllib2.ProxyHandler({'http://www.codingke.com/'})
opener=urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response=urllib2.urlopen('http://www.codingke.com/')
printresponse.read()

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.

代码片段：

importurllib2,cookielib
cookie_support=urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener=urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content=urllib2.urlopen('http://www.codingke.com/').read()

关键在于CookieJar()，它用于管理HTTPcookie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。

手动添加cookie

cookie="PHPSESSID=91rurfqm2329bopnosfu4fvmu7;kmsign=55d2c12c9b1e3;KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie",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urllib2直接访问网站经常会出现HTTPError403: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HTTPBody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：

importurllib2
headers={
'User-Agent':'Mozilla/5.0(Windows;U;WindowsNT6.1;en-US;rv:1.9.1.6)Gecko/20091201Firefox/3.5.6'
}
request=urllib2.Request(
url='http://www.codingke.com/python/',
headers=headers
)
printurllib2.urlopen(request).read()

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

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

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。

7、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XMLweb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：

5importurllib2,httplib
request=urllib2.Request('http://www.codingke.com/')
request.add_header('Accept-encoding','gzip')1
opener=urllib2.build_opener()
f=opener.open(request)

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：

importStringIO
importgzip
compresseddata=f.read()
compressedstream=StringIO.StringIO(compresseddata)
gzipper=gzip.GzipFile(fileobj=compressedstream)
printgzipper.read()

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。

　　fromthreadingimportThread
　　fromQueueimportQueue
　　fromtimeimportsleep
　　#q是任务队列
　　#NUM是并发线程总数
　　#JOBS是有多少任务
　　q=Queue()
　　NUM=2
　　JOBS=10
　　#具体的处理函数，负责处理单个任务
　　defdo_somthing_using(arguments):
　　printarguments
　　#这个是工作进程，负责不断从队列取数据并处理
　　defworking():
　　whileTrue:
　　arguments=q.get()
　　do_somthing_using(arguments)
　　sleep(1)
　　q.task_done()
　　#forkNUM个线程等待队列
　　foriinrange(NUM):
　　t=Thread(target=working)
　　t.setDaemon(True)
　　t.start()
　　#把JOBS排入队列
　　foriinrange(JOBS):
　　q.put(i)
　　#等待所有JOBS完成
　　q.join()

以上八个阶段内容就是扣丁学堂Python培训之Python基础教程Python环境搭建的具体介绍，很多学习完Python培训课程的学员都已高薪就业，并且平均薪资达到了13403元，最后想要了解更多内容的小伙伴可以登录扣丁学堂官网咨询。扣丁学堂是专业的Python培训机构，不仅有专业的老师和与时俱进的课程体系，还有大量的Python视频教程供学员观看学习，心动的小伙伴快快行动吧。扣丁学堂Python技术交流群：279521237。

【关注微信公众号获取更多学习资料】

查看更多关于"Python开发资讯"的相关文章>