爬虫python入门

‘壹’ 毕业生必看python爬虫上手技巧

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。

‘贰’ 0基础学python爬虫要多久

学习Python爬虫需要一定的Python基础，掌握基础语法和数据结构后，大约花费1-2周时间学习爬虫相关知识，比如requests库和BeautifulSoup库。通过编写简单的爬虫程序获取网页数据，理解HTML结构和XPath语法，再逐步学习如Selenium自动化操作浏览器等高级内容。

实践是提升技能的关键。通过复现和自主构建项目，结合阅读相关文档和教程，反复实践和调试，可以在1-3个月内掌握基本爬虫技能。练习过程中，可以尝试抓取不同类型的网页数据，逐步提升技术难度。

刚开始学习时，建议从简单的网页数据抓取开始，如获取网页标题、图片等，掌握基本的爬虫框架和常用库的使用方法。随着技能的提升，可以尝试更复杂的数据抓取任务，如解析JavaScript渲染的网页内容，使用Selenium进行自动化操作。

在学习过程中，遇到问题时，可以查阅文档、搜索网络资料或参加在线社区交流，寻求帮助。不断练习和实践，结合实际项目经验，可以更快速地掌握Python爬虫技能。同时，了解数据抓取的伦理和法律限制，确保合法合规地进行数据采集。

总结来说，学习Python爬虫需要从基础语法和数据结构开始，逐步学习爬虫相关知识，通过实践和项目经验积累，可以在1-3个月内掌握基本爬虫技能。

‘叁’ 学习Python爬虫需要多久

学习Python爬虫的时间没有固定标准，需要结合学习方式来决定，如果选择自学的话，学习周期较长一些，需要三四个月；参加培训的话，学习周期较短，学完基础知识之后，就能做一些简单的爬虫项目。