編程對于任何一個新手來說都不是一件容易的事情，Python對于任何一個想學習的編程的人來說的確是一個福音，閱讀Python代碼像是在閱讀文章，源于Python語言提供了非常優

雅的語法，被稱為最優雅的語言之一。

python入門時

用得最多的還是各類爬蟲腳本，

寫過抓代理本機驗證的腳本、寫過論壇中自動登錄自動發貼的腳本

寫過自動收郵件的腳本、寫過簡單的驗證碼識別的腳本。

這些腳本有一個共性，都是和web相關的，

總要用到獲取鏈接的一些方法，故累積了不少爬蟲抓站的經驗，

在此總結一下，那么以后做東西也就不用重復勞動了。

很多時候跟著書和網站查找資料學習，會發現沒有目標，學了很多卻不知道自己到底能夠做出什么成績。要有一個清晰的職業學習規劃，學習過程中會遇到很多問題，你可以到我

們的 python學習交流群【 784758214 】，基礎，進階。從企業招聘人才需求 到怎么學習python，和學習什么內容都有免費系統分享，讓你無論是自學還是找相應的培訓都能讓

你少走彎路。希望可以幫助你快速了解Python，學習python

1、基本抓取網頁

get方法

post方法

2.使用代理服務器

這在某些情況下比較有用，

比如IP被封了，或者比如IP訪問的次數受到限制等等。

3.Cookies處理

是的沒錯，如果想同時用代理和cookie，

那就加入proxy_support然后operner改為 ，如下：

4.偽裝成瀏覽器訪問

某些網站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。

這時候我們需要偽裝成瀏覽器，

這可以通過修改http包中的header來實現：

5、頁面解析

對于頁面解析最強大的當然是正則表達式，

這個對于不同網站不同的使用者都不一樣，就不用過多的說明。

其次就是解析庫了，常用的有兩個lxml和BeautifulSoup。

對于這兩個庫，我的評價是，

都是HTML/XML的處理庫，Beautifulsoup純python實現，效率低，

但是功能實用，比如能用通過結果搜索獲得某個HTML節點的源碼；

lxmlC語言編碼，高效，支持Xpath。

6.驗證碼的處理

碰到驗證碼咋辦？

這里分兩種情況處理：

google那種驗證碼，沒辦法。

簡單的驗證碼：字符個數有限，只使用了簡單的平移或旋轉加噪音而沒有扭曲的，

這種還是有可能可以處理的，一般思路是旋轉的轉回來，噪音去掉，

然后劃分單個字符，劃分好了以后再通過特征提取的方法(例如PCA)降維并生成特征庫，

然后把驗證碼和特征庫進行比較。

這個比較復雜，這里就不展開了，

具體做法請弄本相關教科書好好研究一下。

7. gzip/deflate支持

現在的網頁普遍支持gzip壓縮，這往往可以解決大量傳輸時間，

以VeryCD的主頁為例，未壓縮版本247K，壓縮了以后45K，為原來的1/5。

這就意味著抓取速度會快5倍。

然而python的urllib/urllib2默認都不支持壓縮

要返回壓縮格式，必須在request的header里面寫明’accept-encoding’，

然后讀取response后更要檢查header查看是否有’content-encoding’一項來判斷是否需要解碼，很繁瑣瑣碎。

如何讓urllib2自動支持gzip, defalte呢？

其實可以繼承BaseHanlder類，

然后build_opener的方式來處理：

8、多線程并發抓取

單線程太慢的話，就需要多線程了，

這里給個簡單的線程池模板 這個程序只是簡單地打印了1-10，

但是可以看出是并發的。

雖然說Python的多線程很雞肋

但是對于爬蟲這種網絡頻繁型，

還是能一定程度提高效率的。

9. 總結

閱讀Python編寫的代碼感覺像在閱讀英語一樣，這讓使用者可以專注于解決問題而不是去搞明白語言本身。

Python雖然是基于C語言編寫，但是摒棄了C中復雜的指針，使其變得簡明易學。

并且作為開源軟件，Python允許對代碼進行閱讀，拷貝甚至改進。

這些性能成就了Python的高效率，有“人生苦短，我用Python”之說，是一種十分精彩又強大的語言。

總而言之，開始學Python一定要注意這4點：

1.代碼規范，這本身就是一個非常好的習慣，如果開始不養好好的代碼規劃，以后會很痛苦。

2.多動手，少看書，很多人學Python就一味的看書，這不是學數學物理，你看例題可能就會了，學習Python主要是學習編程思想。

3.勤練習，學完新的知識點，一定要記得如何去應用，不然學完就會忘，學我們這行主要都是實際操作。

4.學習要有效率，如果自己都覺得效率非常低，那就停不停，找一下原因，去問問過來人這是為什么。