什么是爬蟲
爬蟲，即網絡爬蟲，大家可以理解為在網絡上爬行的一直蜘蛛，互聯網就比作一張大網，而爬蟲便是在這張網上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會抓取下來。想抓取什么？這個由你來控制它咯。
比如它在抓取一個網頁，在這個網中他發現了一條道路，其實就是指向網頁的超鏈接，那么它就可以爬到另一張網上來獲取數據。這樣，整個連在一起的大網對這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。
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postdata
import 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://www.cnblogs.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 timestart = time.time()url = "http://www.cnblogs.com"urls = [url] * 50pool = ThreadPool(4)results = pool.map(urllib2.urlopen, urls)pool.close()pool.join()print "Map:"print time.time()-start 關于Python爬蟲的基本寫法小編就給大家介紹到這里，后續還會持續更細，敬請關注，謝謝！
