Python爬虫在学习中整理的一些小技巧

序言

如果你对工作不满意或对生活不满意，请不用抱怨，因为毫无用处，你只有努力提升技能，努力的完善自己，不断地向前奔跑，才会越来越好的！

使用代理IP

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包中有个ProxyHandler类，通过此类可以设置代理访问网页。

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。

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，服务端会针对这些 header 做检查。

1. User-Agent 有些服务端或 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，服务端会检查该值，用来确定 HTTP Body 中的内容该怎样解析。

页面解析

对于页面解析最强大的当然是正则表达式。其次就是解析库了，常用的有两个 lxml 和 BeautifulSoup，对于这两个库，我的评价是，都是HTML/XML的处理库。

1. Beautifulsoup是纯python实现的，效率虽然低一些，但是功能实用，比如：它可以通过结果搜索获得某个HTML节点的源码这样的；
2. lxml 底层是由C语言编码的，比较高效，支持Xpath。

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。

gzip压缩

大家有没有遇到过某些网页，不论你怎么转码都是一团乱码。
如果你遇到了，说明你还不知道目前许多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。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。

如果本文对你学习有所帮助-可以点赞👍+ 关注 + 打赏！将持续更新更多新的文章。