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。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。原文基于Python2，本人整理过程中修改为Python3。
1、基本抓取网页
get方法
from urllib import request url = "http://www.baidu.com" res = request.urlopen(url) print(res.read())
post方法
from urllib import request
from urllib import parse
url = "http://www.baidu.com/s"
form = {'wd': 'abc'}
form_data = parse.urlencode(form)
form_data = form_data.encode('utf-8')
res = request.urlopen(url, form_data)
print(res.read())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：
from urllib import request
url = "http://www.baidu.com/s"
proxy = request.ProxyHandler({'http': '27.204.194.125:9999'})
opener = request.build_opener(proxy)
request.install_opener(opener)
res = request.urlopen(url)
print(res.read().decode('utf-8'))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urllib模块配合使用来访问Internet资源.
代码片段：
from urllib import request
from http import cookiejar
url = "http://www.baidu.com/s"
cookie_support = request.HTTPCookieProcessor(cookiejar.CookieJar())
opener = request.build_opener(cookie_support)
request.install_opener(opener)
content = request.urlopen(url).read()
print(content.decode('utf-8'))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。
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，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：
from urllib import request
url = "http://www.baidu.com/"
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'
}
requests = request.Request(
url=url,
headers=headers
)
content = request.urlopen(requests).read()
print(content.decode('utf-8'))5、页面解析
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：
正则表达式入门：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
正则表达式在线测试：http://tool.oschina.net/regex/
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：
lxml：http://my.oschina.net/jhao104/blog/639448
BeautifulSoup：http://cuiqingcai.com/1319.html
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
6、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。
7、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：
from urllib import request
url = "http://www.baidu.com/"
requests = request.Request(url)
requests.add_header('Accept-encoding', 'gzip')
opener = request.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。然后就是解压缩数据：
from io import StringIO import gzip compressed_data = f.read() compressed_stream = StringIO(compressed_data) gzipper = gzip.GzipFile(fileobj=compressed_stream) print(gzipper.read())
8、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。
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()
