Python爬虫基础知识:urllib2的使用技巧

前面说到了urllib2的简单入门,下面整理了一部分urllib2的使用细节。

1.Proxy的设置

urllib2默认会使用环境变量http_proxy来设置HTTPProxy。

如果想在程序中明确控制Proxy而不受环境变量的影响,可以使用代理。

新建test14来实现一个简单的代理Demo:

这里要注意的一个细节,使用urllib2.install_opener()会设置urllib2的全局opener。

这样后面的使用会很方便,但不能做更细致的控制,比如想在程序中使用两个不同的Proxy设置等。

比较好的做法是不使用install_opener去更改全局的设置,而只是直接调用opener的open方法代替全局的urlopen方法。

2.Timeout设置
在老版Python中(Python2.6前),urllib2的API并没有暴露Timeout的设置,要设置Timeout值,只能更改Socket的全局Timeout值。

在Python2.6以后,超时可以通过urllib2.urlopen()的timeout参数直接设置。

3.在HTTPRequest中加入特定的Header

要加入header,需要使用Request对象:

对有些header要特别留意,服务器会针对这些header做检查
User-Agent:有些服务器或Proxy会通过该值来判断是否是浏览器发出的请求
Content-Type:在使用REST接口时,服务器会检查该值,用来确定HTTPBody中的内容该怎样解析。常见的取值有:
application/xml:在XMLRPC,如RESTful/SOAP调用时使用
application/json:在JSONRPC调用时使用
application/x-www-form-urlencoded:浏览器提交Web表单时使用
在使用服务器提供的RESTful或SOAP服务时,Content-Type设置错误会导致服务器拒绝服务

4.Redirect
urllib2默认情况下会针对HTTP3XX返回码自动进行redirect动作,无需人工配置。要检测是否发生了redirect动作,只要检查一下Response的URL和Request的URL是否一致就可以了。

如果不想自动redirect,除了使用更低层次的httplib库之外,还可以自定义HTTPRedirectHandler类。

5.Cookie

urllib2对Cookie的处理也是自动的。如果需要得到某个Cookie项的值,可以这么做:

运行之后就会输出访问百度的Cookie值:

6.使用HTTP的PUT和DELETE方法

urllib2只支持HTTP的GET和POST方法,如果要使用HTTPPUT和DELETE,只能使用比较低层的httplib库。虽然如此,我们还是能通过下面的方式,使urllib2能够发出PUT或DELETE的请求:

7.得到HTTP的返回码

对于200OK来说,只要使用urlopen返回的response对象的getcode()方法就可以得到HTTP的返回码。但对其它返回码来说,urlopen会抛出异常。这时候,就要检查异常对象的code属性了:

8.DebugLog

使用urllib2时,可以通过下面的方法把debugLog打开,这样收发包的内容就会在屏幕上打印出来,方便调试,有时可以省去抓包的工作

这样就可以看到传输的数据包内容了:

9.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。
比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包。
以verycd为例,先找到自己发的POST请求,以及POST表单项。
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:

10.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

11.对付”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,所以我们只需要像把headers的referer改成该网站即可,以cnbeta为例:

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。

例如,有些网站喜欢读取header中的X-Forwarded-For来看看人家的真实IP,可以直接把X-Forwarde-For改了。

 

本站所发布的一切资源仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。如果侵犯你的利益,请发送邮箱到 [email protected],我们会很快的为您处理。
超哥软件库 » Python爬虫基础知识:urllib2的使用技巧