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. 12

    2019-04

    不用代理IP,如何隐藏自己的IP地址

    隐藏IP,好处很多,简易归纳起来有两点:一是在上外网的时候防止被入侵、攻击;其次是加快打开网页的速度。当然,大多数人隐藏IP的最主要目的是加强系统的安全性,免受攻击。现在几乎

  2. 09

    2020-03

    寻找好用的代理ip商

    我们平时使用网络,可能都不太注意自己的ip地址。其实我们的ip地址也能够提供很多信息,有些不法分子,甚至可以通过ip来窃取我们的个人信息。

  3. 12

    2019-10

    网站推广优化需要代理ip软件吗?

    网站推广优化需要代理ip软件吗?企业线上推广,网站是基础,是载体。在网站推广中。建立网站很简单,但是想要运营推广网站就比较复杂,有很多需要注意和操作的地方,像网站的推广优化,

  4. 17

    2019-01

    哪些人使用代理IP?营销推广人员、网络爬虫

    现在很多工作都是通过网络来实现的,比如企业品牌或产品的推广,很多人都使用代理IP,通过换IP来突破网络限制,达到自己的目的,到底是哪些人使用代理IP呢?比如:

  5. 27

    2020-05

    保护隐私?代理IP来出新招

    保护隐私?代理IP来出新招!如今的社会,互联网变成大家日常事务和日常生活不可或缺的一部分。我们在应用互联网技术浏览网址时,其本质是一个IP地址对另一个IP地址开展数据信息访问请求的

  6. 03

    2019-06

    获取代理ip有哪些方式

    代理IP对于经常使用网络的人来说已经是很熟悉的一个词了,但是常常有人不知道如何获取代理IP,在这里就为大家讲一下获取代理ip有哪些方式。第一种:就是利用VPN的方法:到网上下载VPN软件