Python爬虫入门四之Urllib库的高级用法

最新推荐文章于 2024-08-04 15:12:57 发布

hongtoushiziyuan

最新推荐文章于 2024-08-04 15:12:57 发布

阅读量96

点赞数

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/sifeimeng/article/details/84759815

版权

python 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

转载自： http://cuiqingcai.com/954.html

1.设置Headers

有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性。

首先，打开我们的浏览器，调试浏览器F12，我用的是Chrome，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，出现一个新的界面，实质上这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。

拆分这些请求，我们只看一第一个请求，你可以看到，有个Request URL，还有headers，下面便是response，图片显示得不全，小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息，有文件编码啦，压缩方式啦，请求的agent啦等等。

其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。

      
          1 
        
          2 
        
          3 
        
          4 
        
          5 
        
          6 
        
          7 
        
          8 
        
          9 
        
          10 
        
          11 
        
         import  
         urllib   
        
         import  
         urllib2   
        
         url 
         = 
         'http://www.server.com/login' 
        
         user_agent 
         = 
         'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 
            
         values 
         = 
         { 
         'username' 
         : 
         'cqc' 
         , 
            
         'password' 
         : 
         'XXXX' 
         } 
            
         headers 
         = 
         { 
         'User-Agent' 
         : 
         user 
         _agent 
         } 
            
         data 
         = 
         urllib 
         . 
         urlencode 
         ( 
         values 
         ) 
            
         request 
         = 
         urllib2 
         . 
         Request 
         ( 
         url 
         , 
         data 
         , 
         headers 
         ) 
            
         response 
         = 
         urllib2 
         . 
         urlopen 
         ( 
         request 
         ) 
            
         page 
         = 
         response 
         . 
         read 
         ( 
         )

这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。

另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer

例如我们可以构建下面的headers

      
          1 
        
          2 
        
         headers 
         = 
         { 
         'User-Agent' 
         : 
         'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 
            
         , 
        
         'Referer' 
         : 
         'http://www.zhihu.com/articles' 
         }

同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。

另外headers的一些属性，下面的需要特别注意一下：

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。
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

其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。

2. Proxy（代理）的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！

下面一段代码说明了代理的设置用法

      
  
 
   
          1 
        

          2 
        

          3 
        

          4 
        

          5 
        

          6 
        

          7 
        

          8 
        

          9 
        
 
         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 
         ) 
        
 
  

3.Timeout 设置

上一节已经说过urlopen方法了，第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。

例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。

      
          1 
        
          2 
        
         import  
         urllib2 
        
         response 
         = 
         urllib2 
         . 
         urlopen 
         ( 
         'http://www.baidu.com' 
         , 
         timeout 
         = 
         10 
         )

      
          1 
        
          2 
        
         import  
         urllib2 
        
         response 
         = 
         urllib2 
         . 
         urlopen 
         ( 
         'http://www.baidu.com' 
         , 
         data 
         , 
         10 
         )

4.使用 HTTP 的 PUT 和 DELETE 方法

http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。

PUT：这个方法比较少见。HTML表单也不支持这个。本质上来讲， PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。
DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。

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，不过用的次数的确是少，在这里提一下。

      
  
 
   
          1 
        

          2 
        

          3 
        

          4 
        
 
         import  
         urllib2 
        
 
         request 
         = 
         urllib2 
         . 
         Request 
         ( 
         uri 
         , 
         data 
         = 
         data 
         ) 
        
 
         request 
         . 
         get_method 
         = 
         lambda 
         : 
         'PUT' 
         # or 'DELETE' 
        
 
         response 
         = 
         urllib2 
         . 
         urlopen 
         ( 
         request 
         ) 
        
 
  

5.使用DebugLog

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，这个也不太常用，仅提一下

      
  
 
   
          1 
        

          2 
        

          3 
        

          4 
        

          5 
        

          6 
        
 
         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.baidu.com' 
         ) 
        
 
  