当前位置: 澳门新濠3559 > 编程 > 正文

写过简单的验证码识别的脚本,写过简单网站、

时间:2019-11-29 05:49来源:编程
8、多线程并发抓取 这时可以通过修改http包中的header来实现,代码片段如下: content = urllib2.urlopen(') get方法 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

8、多线程并发抓取

这时可以通过修改http包中的header来实现,代码片段如下:

content = urllib2.urlopen(')

get方法

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

#fork NUM个线程等待队列

 

手动添加cookie

#这个是工作进程,负责不断从队列取数据并处理

现在的网页普遍支持gzip压缩,这往往可以解决大量传输时间,以VeryCD的主页为例,未压缩版本247K,压缩了以后45K,为原来的1/5。这就意味着抓取速度会快5倍。

cookie = "PHPSESSID=91rurfqm2329bopnosfu4fvmu7; kmsign=55d2c12c9b1e3; KMUID=b6Ejc1XSwPq9o756AxnBAg="
request.add_header("Cookie", cookie)
4、伪装成浏览器

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

 

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。

5、页面解析

澳门新濠3559 1

代码片段:

f = opener.open(request)

 

其次就是解析库了,常用的有两个lxml和BeautifulSoup,对于这两个的使用介绍两个比较好的网站:

print gzipper.read()

澳门新濠3559 2

然后就是解压缩数据:

然后就是解压缩数据:

澳门新濠3559 3

BeautifulSoup

爬虫开发中很多复用的过程,所以今天为大家分享8大技巧,让python 2的爬虫技能get变得更加容易。

澳门新濠3559 4

import urllib2
 
proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})
opener = urllib2.build_opener(proxy)
urllib2.install_opener(opener)
response = urllib2.urlopen('')
print response.read()
3、Cookies处理

request = urllib2.Request(

 

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()

compressedstream = StringIO.StringIO(compresseddata)

澳门新濠3559 5

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

for i in range(NUM):

2.使用代理服务器

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.

opener = urllib2.build_opener(cookie_support)

这些脚本有一个共性,都是和web相关的,总要用到获取链接的一些方法,故累积了不少爬虫抓站的经验,在此总结一下,那么以后做东西也就不用重复劳动了。

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。

import urllib2

 

import StringIO
import gzip
 
compresseddata = f.read()
compressedstream = StringIO.StringIO(compresseddata)
gzipper = gzip.GzipFile(fileobj=compressedstream)
print gzipper.read()
写过简单的验证码识别的脚本,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。8、多线程并发抓取

3、Cookies处理

阅读Python编写的代码感觉像在阅读英语一样,这让使用者可以专注于解决问题而不是去搞明白语言本身。Python虽然是基于C语言编写,但是摒弃了C中复杂的指针,使其变得简明易学。并且作为开源软件,Python允许对代码进行阅读,拷贝甚至改进。这些性能成就了Python的高效率,有"人生苦短,我用Python"之说,是一种十分精彩又强大的语言。

6、验证码的处理

8、多线程并发抓取

6.验证码的处理

对有些 header 要特别留意,Server 端会针对这些 header 做检查

sleep(1)

是的没错,如果想同时用代理和cookie,那就加入proxy_support然后operner改为

用python也差不多一年多了,python应用最多的场景还是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。

import urllib2, cookielib

Cookies处理

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。

print response.read()

4.伪装成浏览器访问

正则表达式在线测试

headers = headers

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,就不用过多的说明。

于是需要这样修改代码:

proxy = urllib2.ProxyHandler({'http': '127.0.0.1:8087'})

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

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。

url = ""

碰到验证码咋办?这里分两种情况处理:

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,就不用过多的说明,附两个比较好的网址:

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。

这在某些情况下比较有用,比如IP被封了,或者比如IP访问的次数受到限制等等。

import urllib2, cookielib
 
cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())
opener = urllib2.build_opener(cookie_support)
urllib2.install_opener(opener)
content = urllib2.urlopen(')
关键在于CookieJar(),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。

url = "百度知道"

  1. gzip/deflate支持

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;

print arguments

其实可以继承BaseHanlder类,然后build_opener的方式来处理:

正则表达式入门

request.add_header('Accept-encoding', 'gzip') 1

基本抓取网页

import urllib2
url  ""
respons = urllib2.urlopen(url)
print response.read()
 
post方法
 
import urllib
import urllib2
 
url = ""
form = {'name':'abc','password':'1234'}
form_data = urllib.urlencode(form)
request = urllib2.Request(url,form_data)
response = urllib2.urlopen(request)
print response.read()
2、使用代理IP

form. = {'name':'abc','password':'1234'}

澳门新濠3559 6

get方法

import StringIO

简单的验证码:字符个数有限,只使用了简单的平移或旋转加噪音而没有扭曲的,这种还是有可能可以处理的,一般思路是旋转的转回来,噪音去掉,然后划分单个字符,划分好了以后再通过特征提取的方法(例如PCA)降维并生成特征库,然后把验证码和特征库进行比较。这个比较复杂,这里就不展开了,具体做法请弄本相关教科书好好研究一下。

1、基本抓取网页

print response.read()

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。

7、gzip压缩

这时可以通过修改http包中的header来实现,代码片段如下:

 

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

do_somthing_using(arguments)

5、页面解析

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。

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。

python作为一门高级编程语言,它的定位是优雅、明确和简单。我学用python差不多一年时间了,用得最多的还是各类爬虫脚本:写过抓代理本机验证的脚本,写过论坛中自动登录自动发贴的脚本,写过自动收邮件的脚本,写过简单的验证码识别的脚本。

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。

arguments = q.get()

澳门新濠3559 7

lxml

q = Queue()

澳门新濠3559 8

import urllib2, httplib
request = urllib2.Request('')
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

headers = {

  1. 总结

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。

关键在于CookieJar(),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。

 

import urllib2
 
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'
}
request = urllib2.Request(
    url = '',
    headers = headers
)
print urllib2.urlopen(request).read()
5、页面解析

于是需要这样修改代码:

某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器,这可以通过修改http包中的header来实现:

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:

import urllib2

google那种验证码, 没办法。

7、gzip压缩

 

import urllib2, httplib

然而python的urllib/urllib2默认都不支持压缩,要返回压缩格式,必须在request的header里面写明'accept-encoding',然后读取response后更要检查header查看是否有'content-encoding'一项来判断是否需要解码,很繁琐琐碎。如何让urllib2自动支持gzip, defalte呢?

url = '博为峰网校',

Post方法

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;

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。

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,其次就是解析库了,常用的有两个lxml和BeautifulSoup。

# q是任务队列

import urllib

urllib2.install_opener(opener)

q.join()

compresseddata = f.read()

get方法

from Queue import Queue

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.

while True:

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:

#NUM是并发线程总数

)

#具体的处理函数,负责处理单个任务

t.start()

获取python更多免费教程,加python学习QQ群:583677663,大家都在群里,让我们一起加油、进步~

opener = urllib2.build_opener()

#JOBS是有多少任务

#把JOBS排入队列

from time import sleep

request = urllib2.Request('Hire Workers Online!')

gzipper = gzip.GzipFile(fileobj=compressedstream)

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

澳门新濠3559,print urllib2.urlopen(request).read()

#等待所有JOBS完成

1、基本抓取网页

response = urllib2.urlopen(request)

import gzip

}

urllib2.install_opener(opener)

from threading import Thread

def do_somthing_using(arguments):

2、使用代理IP

NUM = 2

对有些 header 要特别留意,Server 端会针对这些 header 做检查

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。

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

6、验证码的处理

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。

import urllib2

对于一些简单的验证码,可以进行简单的识别。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。

JOBS = 10

post方法

t.setDaemon(True)

对于这两个库,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

def working():

opener = urllib2.build_opener(proxy)

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。

在编程技能中,写爬虫是程序员十分喜爱的技能之一,当然写爬虫的编程语言使用最多还是Python啦!

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

import urllib2

t = Thread(target=working)

response = urllib2.urlopen('百度知道')

response = urllib2.urlopen(url)

request = urllib2.Request(url,form_data)

q.put(i)

q.task_done()

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

4、伪装成[浏览器](:;)

form_data = urllib.urlencode(form)

for i in range(JOBS):

代码片段:

print response.read()

编辑:编程 本文来源:写过简单的验证码识别的脚本,写过简单网站、

关键词: