使用代理IP

　　開發(fā)爬蟲過程中經(jīng)常會遇到IP被封掉的情況，這時就需要用到代理IP;

　　在urllib2包中有ProxyHandler類，通過此類可以設(shè)置代理訪問網(wǎng)頁，

　　Cookies處理

　　cookies是某些網(wǎng)站為了辨別用戶身份、進(jìn)行session跟蹤而儲存在用戶本地終端上的數(shù)據(jù)(通常經(jīng)過加密)，python提供了cookielib模塊用于處理cookies，cookielib模塊的主要作用是提供可存儲cookie的對象，以便于與urllib2模塊配合使用來訪問Internet資源.

　　偽裝成瀏覽器

　　某些網(wǎng)站反感爬蟲的到訪，于是對爬蟲一律拒絕請求。所以用urllib2直接訪問網(wǎng)站經(jīng)常會出現(xiàn)HTTP Error 403: Forbidden的情況對有些 header 要特別留意，Server 端會針對這些 header 做檢查1.User-Agent 有些 Server 或 Proxy 會檢查該值，用來判斷是否是瀏覽器發(fā)起的 Request2.Content-Type 在使用 REST 接口時，Server 會檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。

　　頁面解析

　　對于頁面解析最強(qiáng)大的當(dāng)然是正則表達(dá)式。

　　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(shí)現(xiàn)，效率低，但是功能實(shí)用，比如能用通過結(jié)果搜索獲得某個HTML節(jié)點(diǎn)的源碼;lxmlC語言編碼，高效，支持Xpath

　　驗(yàn)證碼的處理

　　對于一些簡單的驗(yàn)證碼，可以進(jìn)行簡單的識別。本人也只進(jìn)行過一些簡單的驗(yàn)證碼識別。但是有些反人類的驗(yàn)證碼，比如12306，可以通過打碼平臺進(jìn)行人工打碼，當(dāng)然這是要付費(fèi)的。

　　gzip壓縮

　　有沒有遇到過某些網(wǎng)頁，不論怎么轉(zhuǎn)碼都是一團(tuán)亂碼。那說明你還不知道許多web服務(wù)具有發(fā)送壓縮數(shù)據(jù)的能力，這可以將網(wǎng)絡(luò)線路上傳輸?shù)拇罅繑?shù)據(jù)消減 60% 以上。這尤其適用于 XML web 服務(wù)，因?yàn)?XML 數(shù)據(jù) 的壓縮率可以很高。但是一般服務(wù)器不會為你發(fā)送壓縮數(shù)據(jù)，除非你告訴服務(wù)器你可以處理壓縮數(shù)據(jù)。