注意: IP代理精灵仅提供国内ip网络节点,不提供境外网络节点,不能用于任何非法用途或访问境外封闭网站,不能跨境联网,只能用于合法的国内网络加速。

请登录 注册 实名验证

首页 > 新闻资讯 > python爬虫抓取网站数据的一些技巧

python爬虫抓取网站数据的一些技巧

来源:IP代理精灵 作者:admin 时间:2019-04-23 11:19:54

用python做爬虫可以说是非常常见的,很多人都选择这门语言来做爬虫,因为它简洁。接下来整理了一些python爬虫的相关技巧,希望能给初学者带来帮助。

python爬虫抓取网站数据的一些技巧

一、最基本的操作


抓取某个站点。


import urllib2


content = urllib2.urlopen('http://XXXX').read()


二、使用代理IP


最头疼的事情莫过于封IP了,不过魔高一尺道高一丈,使用代理IP,轻松解决难题。


import urllib2


proxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})


opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)


urllib2.install_opener(opener)


content = urllib2.urlopen('http://XXXX').read()


三、cookie的处理


登陆的时候不得不面对cookie,cookie不处理好,很可能被目标服务器发现爬虫行为,进而做出限制。


import urllib2, cookielib


cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())


opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)


urllib2.install_opener(opener)


content = urllib2.urlopen('http://XXXX').read()


四、User-Agent的处理


爬虫行为很令人反感,恨不得杀之后快,但如果伪装成浏览器访问时,目标服务器就视而不见了。如何伪装呢,这就要通过修改HTTP包中的Header的User-Agent来实现了。


headers = {


'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'


}


req = urllib2.Request(


url = 'http://***.****.***/***/****',


data = postdata,


headers = headers


)


当然,更好的办法是搜集很多浏览器的User-Agent,然后随机使用。


五、多线程抓取信息


不会多线程抓取的爬虫不是好爬虫,由于顾忌到反爬策略,尽量模拟人工访问,速度自然不可能太快,所以只能多线程来抓取了。


from threading import Thread


from Queue import Queue


from time import sleep


#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


def do_somthing_using(arguments):


print arguments


#这个是工作进程,负责不断从队列取数据并处理


def working():


while True:


arguments = q.get()


do_somthing_using(arguments)


sleep(1)


q.task_done()


#fork NUM个线程等待队列


for i in range(NUM):


t = Thread(target=working)


t.setDaemon(True)


t.start()


#把JOBS排入队列


for i in range(JOBS):


q.put(i)


#等待所有JOBS完成


q.join()


以上就是“python爬虫抓取网站数据的一些技巧”的全部内容,还有很多小技巧这里就不一一说明,爬虫需要代理IP可以联系ip代理精灵


最新资讯

推荐阅读

  1. 17

    2019-06

    数据采集为什么要用IP代理?

    互联网的迅速发展带动了大数据的应用,数据采集成为了一个热门的行业,大数据样本的获得需要通过数据爬虫来时限,爬虫工作者一般都会解用爬虫代理IP这个工具,这是因为再数据采集的过

  2. 13

    2020-07

    动态IP知识科普

    动态IP知识科普!什么是ip,什么是动态IP呢,IP地址是IP协议提供的一种统一的地址格式,它为互联网上的每一个网络和每一台主机分配一个逻辑地址,以此来屏蔽物理地址的差异。简单来说IP地

  3. 17

    2019-04

    如何利用代理IP软件吸粉?

    接触过互联网营销的人都知道,如今不管从事于什么行业做什么生意都需要吸粉。随着网络事业的发展,有很多依赖于互联网而出现的一些销售和相关行业也开始相继崛起。而这样的行业,他们

  4. 27

    2020-03

    解读HTTP代理IP使用要点

    解读HTTP代理IP使用要点!掌握了代理IP的使用要点,才能够在使用HTTP资源时得心应手,注于提供HTTP系列产品代理服务的高端优质IP代理公司ip代理精灵,为你详解代理IP使用要点。

  5. 23

    2020-10

    代理ip软件对我们友哪些用处

    代理ip软件对我们友哪些用处?在互联网世界的今天,我们每天都要通过网络来工作、学习,无形之中,我们经常要跟ip地址打交道,但是大家并不清楚,在什么时候,我们会需要换ip,代理ip软件

  6. 26

    2019-04

    动态ip代理的工作原理是什么

    一听到IP代理,咱们有种似曾相识又陌生的感觉。到底IP代理是什么?动态ip代理的工作原理是什么呢?听不懂的朋友,来,咱们科普时间到啦!通常情况下,代理ip网用公网IP接入Int关采取双网卡结