1.最基本的抓站import urllib2content = urllib2.urlopen('http://XXXX').read()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。import urllib2PRoxy_support = urllib2.ProxyHandler({'http':'http://XX.XX.XX.XX:XXXX'})opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)urllib2.install_opener(opener)content = urllib2.urlopen('http://XXXX').read()3.需要登錄的情況登錄的情況比較麻煩我把問題拆分一下：3.1.cookie的處理import urllib2, cookielibcookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar())opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)urllib2.install_opener(opener)content = urllib2.urlopen('http://XXXX').read()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opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)3.2 表單的處理登錄必要填表，表單怎么填？首先利用工具截取所要填表的內容比如我一般用Firefox+httpfox插件來看看自己到底發送了些什么包這個我就舉個例子好了，以verycd為例，先找到自己發的POST請求，以及POST表單項：可以看到verycd的話需要填username,passWord,continueURI,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說得先訪問一次網頁，用正則表達式等工具截取返回數據中的fk項。continueURI顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有username，password那就很顯然了。好的，有了要填寫的數據，我們就要生成postdataimport urllibpostdata=urllib.urlencode({    'username':'XXXXX',    'password':'XXXXX',    'continueURI':'http://www.verycd.com/',    'fk':fk,    'login_submit':'登錄'})-然后生成http請求，再發送請求：req = urllib2.Request(    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',    data = postdata)result = urllib2.urlopen(req).read()-3.3 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#…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'}req = urllib2.Request(    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',    data = postdata,    headers = headers)#...3.4 反”反盜鏈”某些站點有所謂的反盜鏈設置，其實說穿了很簡單，就是檢查你發送請求的header里面，referer站點是不是他自己，所以我們只需要像3.3一樣，把headers的referer改成該網站即可，以黑幕著稱地cnbeta為例：#...headers = {    'Referer':'http://www.cnbeta.com/articles'}#...headers是一個dict數據結構，你可以放入任何想要的header，來做一些偽裝。例如，有些自作聰明的網站總喜歡窺人隱私，別人通過代理訪問，他偏偏要讀取header中的X-Forwarded-For來看看人家的真實IP，沒話說，那就直接把X-Forwarde-For改了吧，可以改成隨便什么好玩的東東來欺負欺負他，呵呵。-3.5 終極絕招有時候即使做了3.1-3.4，訪問還是會被據，那么沒辦法，老老實實把httpfox中看到的headers全都寫上，那一般也就行了。再不行，那就只能用終極絕招了，selenium直接控制瀏覽器來進行訪問，只要瀏覽器可以做到的，那么它也可以做到。類似的還有pamie，watir，等等等等。-4.多線程并發抓取print time.time()-start1..from threading import Threadfrom Queue import Queuefrom time import sleepimport urllib2import timeq = Queue()NUM = 10JOBS = 50def do_somthing_using(p):    response = urllib2.urlopen('http://m.survivalescaperooms.com')    result = response.read()    #print pdef working():    while True:        arguments = q.get()        do_somthing_using(arguments)        q.task_done()for i in xrange(NUM):    t = Thread(target=working)    t.setDaemon(True)    t.start()start = time.time()for i in xrange(JOBS):    q.put(i)        q.join()print "MultiThreading:"print time.time()-start2..from threading import Threadfrom multiprocessing.dummy import Pool as ThreadPoolimport urllib2import time	start = time.time()	url = "http://m.survivalescaperooms.com"	urls = [url] * 50	pool = ThreadPool(4)	results = pool.map(urllib2.urlopen, urls)	pool.close() 	pool.join()	print "Map:"	print time.time()-start