总结：常用的 Python 爬虫技巧

　　一碗面拐到美艳妻

　　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。

　　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：

　　cookies是某些网站为了辨别用户身份、进行session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.

　　关键在于CookieJar()，它用于管理HTTP cookie值、存储HTTP请成的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。

　　某些网站反感爬虫的到访，于是对爬虫一律请求。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：

　　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：

　　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

　　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。

　　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。

　　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。

　　点赞 0新品更多新iPad Pro多核跑分高达17995分联想Z5 Pro发布：屏占比达95.06%海信金刚4手机发布：主打超长续航观点更多互联网手机荣耀Magic2打破互联网手机刻板印象人工智能人工智能寒冬不会到来 但我们太乐观了半导体芯片内存芯片热潮结束 将削减27%资本支出虚拟现实VR使人变得更好 有助于增强同理心微博/微信

　　每日头条、业界资讯、热点资讯、爆料，全天微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与，TechWeb微博期待您的关注。