通过学习其他人的爬虫经验，我们能够通过别人的技巧，来帮助自己快速实现爬虫。代理IP的使用解决了爬虫的大部分难题，但是用Python爬虫是有技巧的，黑洞代理搜集了相关信息进行整合，方便大家快速查询解决问题。下面马上进入到正文。

1、最基本的抓站

import urllib2 content = urllib2.urlopen(‘http://XXXX’).read()

2、使用代理服务器(爬虫代理ip)

这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。

import urllib2 proxy_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、需要登录的情况

登录的情况比较麻烦我把问题拆分一下：

(1) 伪装成浏览器访问

某些网站反感爬虫的到访，于是对爬虫一律拒绝请求。这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现：

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 )

(2)反”反盗链”

某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要像3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：

headers = { ‘Referer’:’http://www.cnbeta.com/articles’ }

headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。

(3) cookie的处理

import urllib2, cookielib cookie_support= urllib2.HTTPCookieProcessor(cookielib.CookieJar()) opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler) urllib2.install_opener(opener) content = urllib2.urlopen(‘http://XXXX’).read()

      是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为

opener = urllib2.build_opener(proxy_support, cookie_support, urllib2.HTTPHandler)

(4)表单的处理

登录必要填表，表单怎么填?首先利用工具截取所要填表的内容。

可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的(其实不太随机，看上去像是把epoch时间经过简单的编码生成的)，需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。

好的，有了要填写的数据，我们就要生成postdata

import urllib postdata=urllib.urlencode({ ‘username’:’XXXXX’, ‘password’:’XXXXX’, ‘continueURI’:’http://www.verycd.com/’, ‘fk’:fk, ‘login_submit’:’登录’ })

然后生成http请求，再发送请求：

req = urllib2.Request( url = ‘http://secure.verycd.com/signin/*/http://www.verycd.com/’, data = postdata ) result = urllib2.urlopen(req).read()

(5) 终极绝招

有时候即使做了所有步骤，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。 再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。

不同的网站使用不同的反爬虫机制，我们在进行爬虫的时候，就要对它们进行分析，看看到底是哪种机制限制了我们。文章的下半部分依然是爬虫的技巧分享，大家可以继续关注黑洞代理带来的更新。