python写爬虫使用urllib2方法

最新推荐文章于 2023-11-16 08:36:10 发布

adr5970

最新推荐文章于 2023-11-16 08:36:10 发布

阅读量66

点赞数

原文链接：http://www.cnblogs.com/ljbguanli/p/6937953.html

版权

python写爬虫使用urllib2方法

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。

假设想在程序中明白控制 Proxy 而不受环境变量的影响。能够使用代理。

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 。

这样后面的使用会非常方便，但不能做更仔细的控制，比方想在程序中使用两个不同的 Proxy 设置等。

比較好的做法是不使用 install_opener 去更改全局的设置。而仅仅是直接调用 opener 的 open 方法取代全局的 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，仅仅能更改 Socket 的全局 Timeout 值。

import urllib2  

import socket  

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

urllib2.socket.setdefaulttimeout(10) # 还有一种方式

在 Python 2.6 以后，超时能够通过 urllib2.urlopen() 的 timeout 參数直接设置。

import urllib2  

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

3.在 HTTP Request 中增加特定的 Header
要增加 header，须要使用 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。server会针对这些 header 做检查

User-Agent : 有些server或 Proxy 会通过该值来推断是否是浏览器发出的请求

Content-Type : 在使用 REST 接口时，server会检查该值，用来确定 HTTP Body 中的内容该如何解析。

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server提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致server拒绝服务
4.Redirect

urllib2 默认情况下会针对 HTTP 3XX 返回码自己主动进行 redirect 动作。无需人工配置。

要检測是否发生了 redirect 动作，仅仅要检查一下 Response 的 URL 和 Request 的 URL 是否一致就能够了。

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

假设不想自己主动 redirect，除了使用更低层次的 httplib 库之外，还能够自己定义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 的处理也是自己主动的。假设须要得到某个 Cookie 项的值。能够这么做：

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

执行之后就会输出訪问百度的Cookie值：

6.使用 HTTP 的 PUT 和 DELETE 方法

urllib2 仅仅支持 HTTP 的 GET 和 POST 方法，假设要使用 HTTP PUT 和 DELETE 。仅仅能使用比較低层的 httplib 库。尽管如此，我们还是能通过以下的方式。使 urllib2 可以发出 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。仅仅要使用 urlopen 返回的 response 对象的 getcode() 方法就能够得到 HTTP 的返回码。但对其他返回码来说，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，能够通过以下的方法把 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，有时能够省去抓包的工作

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')

这样就能够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。

比方我一般用firefox+httpfox插件来看看自己究竟发送了些什么包。

以verycd为例。先找到自己发的POST请求，以及POST表单项。

能够看到verycd的话须要填username,password,continueURI,fk,login_submit这几项。当中fk是随机生成的（事实上不太随机。看上去像是把epoch时间经过简单的编码生成的），须要从网页获取，也就是说得先訪问一次网页，用正則表達式等工具截取返回数据中的fk项。continueURI顾名思义能够随便写，login_submit是固定的，这从源代码能够看出。还有username，password那就非常显然了：

# -*- 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.伪装成浏览器訪问

某些站点反感爬虫的到訪，于是对爬虫一律拒绝请求

这时候我们须要伪装成浏览器，这能够通过改动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"

某些网站有所谓的反盗链设置，事实上说穿了非常easy，

就是检查你发送请求的header里面。referer网站是不是他自己，

所以我们仅仅须要像把headers的referer改成该站点就可以。以cnbeta为例：

#...

headers = {

'Referer':'http://www.cnbeta.com/articles'

}

#...

headers是一个dict数据结构，你能够放入不论什么想要的header。来做一些伪装。

比如。有些站点喜欢读取header中的X-Forwarded-For来看看人家的真实IP。能够直接把X-Forwarde-For改了。

參考来源：
零基础写python爬虫之urllib2使用指南
 http://www.lai18.com/content/384669.html