零基础写python爬虫之urllib2使用指南


Posted in Python onNovember 05, 2014

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 HTTP Proxy。
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:

import urllib2  

enable_proxy = True  

proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})  

null_proxy_handler = urllib2.ProxyHandler({})  

if enable_proxy:  

    opener = urllib2.build_opener(proxy_handler)  

else:  

    opener = urllib2.build_opener(null_proxy_handler)  

urllib2.install_opener(opener) 

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。

import urllib2  

import socket  

socket.setdefaulttimeout(10) # 10 秒钟后超时  

urllib2.socket.setdefaulttimeout(10) # 另一种方式 

在 Python 2.6 以后,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2  

response = urllib2.urlopen('http://www.google.com', timeout=10) 

3.在 HTTP Request 中加入特定的 Header

要加入 header,需要使用 Request 对象:

import urllib2  

request = urllib2.Request('http://www.baidu.com/')  

request.add_header('User-Agent', 'fake-client')  

response = urllib2.urlopen(request)  

print response.read() 

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 HTTP Body 中的内容该怎样解析。常见的取值有:
application/xml : 在 XML RPC,如 RESTful/SOAP 调用时使用
application/json : 在 JSON RPC 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 HTTP 3XX 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。

import urllib2  

my_url = 'http://www.google.cn'  

response = urllib2.urlopen(my_url)  

redirected = response.geturl() == my_url  

print redirected  

my_url = 'http://rrurl.cn/b1UZuP'  

response = urllib2.urlopen(my_url)  

redirected = response.geturl() == my_url  

print redirected 

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。

import urllib2  

class RedirectHandler(urllib2.HTTPRedirectHandler):  

    def http_error_301(self, req, fp, code, msg, headers):  

        print "301"  

        pass  

    def http_error_302(self, req, fp, code, msg, headers):  

        print "303"  

        pass   

opener = urllib2.build_opener(RedirectHandler)  

opener.open('http://rrurl.cn/b1UZuP') 

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:

import urllib2  

import cookielib  

cookie = cookielib.CookieJar()  

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  

response = opener.open('http://www.baidu.com')  

for item in cookie:  

    print 'Name = '+item.name  

    print 'Value = '+item.value 

运行之后就会输出访问百度的Cookie值:

零基础写python爬虫之urllib2使用指南

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 HTTP PUT 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:

import urllib2  

request = urllib2.Request(uri, data=data)  

request.get_method = lambda: 'PUT' # or 'DELETE'  

response = urllib2.urlopen(request) 

7.得到 HTTP 的返回码

对于 200 OK 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:

import urllib2  

try:  

    response = urllib2.urlopen('http://bbs.csdn.net/why')  

except urllib2.HTTPError, e:  

    print e.code 

8.Debug Log

使用 urllib2 时,可以通过下面的方法把 debug Log 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

import urllib2  

httpHandler = urllib2.HTTPHandler(debuglevel=1)  

httpsHandler = urllib2.HTTPSHandler(debuglevel=1)  

opener = urllib2.build_opener(httpHandler, httpsHandler)  

urllib2.install_opener(opener)  

response = urllib2.urlopen('http://www.google.com') 

这样就可以看到传输的数据包内容了:

零基础写python爬虫之urllib2使用指南

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:

# -*- coding: utf-8 -*-  

import urllib  

import urllib2  

postdata=urllib.urlencode({  

    'username':'汪小光',  

    'password':'why888',  

    'continueURI':'http://www.verycd.com/',  

    'fk':'',  

    'login_submit':'登录'  

})  

req = urllib2.Request(  

    url = 'http://secure.verycd.com/signin',  

    data = postdata  

)  

result = urllib2.urlopen(req)  

print result.read()  

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

#…  

  

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  

)  

#... 

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 = {
    '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。
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。

Python 相关文章推荐
浅谈Python的Django框架中的缓存控制
Jul 24 Python
Python 40行代码实现人脸识别功能
Apr 02 Python
Python学习_几种存取xls/xlsx文件的方法总结
May 03 Python
Python从文件中读取指定的行以及在文件指定位置写入
Sep 06 Python
python能做什么 python的含义
Oct 12 Python
python redis 批量设置过期key过程解析
Nov 26 Python
解决django中form表单设置action后无法回到原页面的问题
Mar 13 Python
Python 读取WAV音频文件 画频谱的实例
Mar 14 Python
Nginx+Uwsgi+Django 项目部署到服务器的思路详解
May 08 Python
python 安装移动复制第三方库操作
Jul 13 Python
python调用私有属性的方法总结
Jul 24 Python
Python 调用C++封装的进一步探索交流
Mar 04 Python
零基础写python爬虫之urllib2中的两个重要概念:Openers和Handlers
Nov 05 #Python
零基础写python爬虫之HTTP异常处理
Nov 05 #Python
零基础写python爬虫之使用urllib2组件抓取网页内容
Nov 04 #Python
零基础写python爬虫之爬虫的定义及URL构成
Nov 04 #Python
使用Python编写简单网络爬虫抓取视频下载资源
Nov 04 #Python
Python爬取Coursera课程资源的详细过程
Nov 04 #Python
使用python开发vim插件及心得分享
Nov 04 #Python
You might like
PHP 面向对象详解
2012/09/13 PHP
详解WordPress开发中过滤属性以及Sql语句的函数使用
2015/12/25 PHP
超轻量级的基于jquery的三级展开列表
2011/04/26 Javascript
js实现div弹出层的方法
2014/11/20 Javascript
js获取Html元素的实际宽度高度的方法
2016/05/19 Javascript
BootStrap智能表单实战系列(九)表单图片上传的支持
2016/06/13 Javascript
Bootstrap3使用typeahead插件实现自动补全功能
2016/07/07 Javascript
NodeJs测试框架Mocha的安装与使用
2017/03/28 NodeJs
EasyUI中的dataGrid的行内编辑
2017/06/22 Javascript
Vue实现一个返回顶部backToTop组件
2017/07/25 Javascript
微信小程序异步处理详解
2017/11/10 Javascript
用最少的JS代码写出贪吃蛇游戏
2018/01/12 Javascript
利用Vue实现一个markdown编辑器实例代码
2019/05/19 Javascript
python类型强制转换long to int的代码
2013/02/10 Python
Python实现Linux下守护进程的编写方法
2014/08/22 Python
Python读取mp3中ID3信息的方法
2015/03/05 Python
Python中用函数作为返回值和实现闭包的教程
2015/04/27 Python
python计算圆周率pi的方法
2015/07/11 Python
在windows下快速搭建web.py开发框架方法
2016/04/22 Python
Linux下Python安装完成后使用pip命令的详细教程
2018/11/22 Python
对Python+opencv将图片生成视频的实例详解
2019/01/08 Python
浅谈Python爬虫基本套路
2019/03/25 Python
pip指定python位置安装软件包的方法
2019/07/12 Python
python提取xml里面的链接源码详解
2019/10/15 Python
python实现二分类的卡方分箱示例
2019/11/22 Python
Pytorch 之修改Tensor部分值方式
2019/12/27 Python
Python bytes string相互转换过程解析
2020/03/05 Python
HTML5利用约束验证API来检查表单的输入数据的代码实例
2016/12/20 HTML / CSS
Monica Vinader官网:英国轻奢珠宝品牌
2020/02/05 全球购物
学生会竞选自荐信
2013/10/12 职场文书
大学生创业计划书的用途
2014/01/08 职场文书
群众路线个人对照检查材料2014
2014/09/26 职场文书
文明单位申报材料
2014/12/23 职场文书
2015学校年度工作总结
2015/05/11 职场文书
90条交通安全宣传标语
2019/10/12 职场文书
纯CSS实现hover图片pop-out弹出效果的实例代码
2021/04/16 HTML / CSS