python3.0 网络爬虫 5

最新推荐文章于 2023-12-30 16:10:18 发布

Michael-1895

最新推荐文章于 2023-12-30 16:10:18 发布

阅读量1.8k

点赞数

分类专栏： python3.0 网络爬虫

python3.0 网络爬虫专栏收录该内容

6 篇文章 0 订阅

订阅专栏

urllib的使用细节

1.Proxy 的设置

urllib 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：

# -*- coding: utf-8 -*-
from urllib.request import Request,ProxyHandler,urlopen,HTTPBasicAuthHandler,build_opener,install_opener
from urllib.error import URLError,HTTPError
enable_proxy = 1
proxy_handler = ProxyHandler({"http" : 'http://www.baidu.com:8087'})
null_proxy_handler = ProxyHandler({})
if enable_proxy:
	opener = build_opener(proxy_handler)
else:
	opener = build_opener(null_proxy_handler)
	
install_opener(opener)

这里要注意的一个细节，使用 install_opener() 会设置全局 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），urllib 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。

from urllib.request import Request,ProxyHandler,urlopen,HTTPBasicAuthHandler,build_opener,install_opener
from urllib.error import URLError,HTTPError
import socket
enable_proxy = 1
proxy_handler = ProxyHandler({"http" : 'http://www.baidu.com:8087'})
null_proxy_handler = ProxyHandler({})
if enable_proxy:
	opener = build_opener(proxy_handler)
else:
	opener = build_opener(null_proxy_handler)
install_opener(opener)
socket.setdefaulttimeout(10)
#或者另外一种：
# socket.setdefaulttimeout(10)

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

from urllib.request import Request,ProxyHandler,urlopen,HTTPBasicAuthHandler,build_opener,install_opener
from urllib.error import URLError,HTTPError
import socket

respon = urlopen('http://www.baidu.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，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。

from urllib.request import Request,ProxyHandler,urlopen,HTTPBasicAuthHandler,build_opener,install_opener
from urllib.error import URLError,HTTPError
 
a_url = 'http://www.baidu.com'
response = urlopen(a_url) 
redirected = response.geturl()==a_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 urllib.request
class RedirectHandler(urllib.request.HTTPRedirectHandler):
 	def http_error_301(self, req,fp,code,msg,header):
 		print("301")
 		pass
 	def http_error_302(self, req,fp,code,msg,header):
 		print("302")
 		pass
a_url = 'http://www.baidu.com'
opener = urllib.request.build_opener(RedirectHandler)
opener.open(a_url)

5.Cookie

urllib 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 urllib.request
import http.cookiejar
cookie = http.cookiejar.CookieJar()
a_url = 'http://www.baidu.com'
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
resp = opener.open(a_url)
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：

Name = BAIDUID
Value = F5F6E404730823534286965EEC3669B3:FG=1
Name = BIDUPSID
Value = F5F6E404730823534286965EEC3669B3
Name = H_PS_PSSID
Value = 1440_21113_17001_21615
Name = PSTM
Value = 1484186252
Name = BDSVRTM
Value = 0
Name = BD_HOME
Value = 0

6.使用 HTTP 的 PUT 和 DELETE 方法

urllib 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 urllib.request
a_url = 'http://www.baidu.com'
request1=urllib.request.Request(a_url)
request1.get_method = lambda: 'PUT' #or 'DELETE'
response = urllib.request.urlopen(request1)

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 urllib.request
import urllib.error 
a_url = 'http://www.qq.com/unknown'
try:
	response = urllib.request.urlopen(a_url)
except urllib.error.HTTPError as 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

from urllib.request import Request,HTTPHandler,HTTPSHandler,urlopen,build_opener,install_opener
from urllib.error import URLError,HTTPError

a_url = 'http://www.google.com/unknown'
httpHandler = HTTPHandler(debuglevel = 1)
httpsHandler = HTTPSHandler(debuglevel = 1)
opener = build_opener(httpHandler,httpsHandler)
install_opener(opener)
response = urlopen(a_url)

这样就可以看到传输的数据包内容了：

Traceback (most recent call last):
File "D:\Python3_5_1\lib\urllib\request.py", line 1240, in do_open
h.request(req.get_method(), req.selector, req.data, headers)
File "D:\Python3_5_1\lib\http\client.py", line 1083, in request
self._send_request(method, url, body, headers)
File "D:\Python3_5_1\lib\http\client.py", line 1128, in _send_request
self.endheaders(body)
File "D:\Python3_5_1\lib\http\client.py", line 1079, in endheaders
self._send_output(message_body)
File "D:\Python3_5_1\lib\http\client.py", line 911, in _send_output
self.send(msg)
File "D:\Python3_5_1\lib\http\client.py", line 854, in send
self.connect()
File "D:\Python3_5_1\lib\http\client.py", line 826, in connect
(self.host,self.port), self.timeout, self.source_address)
File "D:\Python3_5_1\lib\socket.py", line 711, in create_connection
raise err
File "D:\Python3_5_1\lib\socket.py", line 702, in create_connection
sock.connect(sa)
TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "C:\Users\123\Documents\t1.py", line 9, in <module>
response = urlopen(a_url)
File "D:\Python3_5_1\lib\urllib\request.py", line 162, in urlopen
return opener.open(url, data, timeout)
File "D:\Python3_5_1\lib\urllib\request.py", line 465, in open
response = self._open(req, data)
File "D:\Python3_5_1\lib\urllib\request.py", line 483, in _open
'_open', req)
File "D:\Python3_5_1\lib\urllib\request.py", line 443, in _call_chain
result = func(*args)
File "D:\Python3_5_1\lib\urllib\request.py", line 1268, in http_open
return self.do_open(http.client.HTTPConnection, req)
File "D:\Python3_5_1\lib\urllib\request.py", line 1242, in do_open
raise URLError(err)
urllib.error.URLError: <urlopen error [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。>

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：

from urllib.request import Request,HTTPHandler,HTTPSHandler,urlopen,build_opener,install_opener
from urllib.parse import urlencode
from urllib.error import URLError,HTTPError

a_url = 'http://mail.163.com/'
postdata = urlencode({
	'usrname':'hhh',
	'psw':'123456',
	'continueURL':'http://www.163.com/',
	'fk':'',
	'login_submit':'登录'
	}).encode(encoding = 'UTF8')
req = Request(url=a_url,data=postdata)
result = 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

from urllib.request import Request,HTTPHandler,HTTPSHandler,urlopen,build_opener,install_opener
from urllib.parse import urlencode
from urllib.error import URLError,HTTPError

a_url = 'http://mail.163.com/'
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'}
postdata = urlencode({
	'usrname':'ttt',
	'psw':'123',
	'continueURL':'http://www.163.com/',
	'fk':'',
	'login_submit':'登录'
	}).encode(encoding = 'UTF8')
req = Request(url=a_url,data=postdata,headers = headers)
result = urlopen(req)
print(result.read())

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'
}
#...

from urllib.request import Request,HTTPHandler,HTTPSHandler,urlopen,build_opener,install_opener
from urllib.parse import urlencode
from urllib.error import URLError,HTTPError

a_url = 'http://mail.163.com/'
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',
		   'Referer':'http://mail.163.com'}
postdata = urlencode({
	'usrname':'ttt',
	'psw':'123',
	'continueURL':'http://www.163.com/',
	'fk':'',
	'login_submit':'登录'
	}).encode(encoding = 'UTF8')
req = Request(url=a_url,data=postdata,headers = headers)
result = urlopen(req)
print(result.read())

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。

Michael-1895

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
python3.0 网络爬虫 5

urllib的使用细节1.Proxy 的设置urllib 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：[python] view plain copyimport u
复制链接

扫一扫

专栏目录