网络爬虫（五）：urllib2的使用细节与抓站技巧

上一章我们了解了urllib2的两个重要概念，本章我们将深入了解urllib2

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：

[python] view plain copy

1. import urllib2  
2. enable_proxy = True  
3. proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})  
4. null_proxy_handler = urllib2.ProxyHandler({})  
5. if enable_proxy:  
6.     opener = urllib2.build_opener(proxy_handler)  
7. else:  
8.     opener = urllib2.build_opener(null_proxy_handler)  
9. 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，比如像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。

[python] view plain copy

1. import urllib2  
2. import socket  
3. socket.setdefaulttimeout(10) # 10 秒钟后超时  
4. urllib2.socket.setdefaulttimeout(10) # 另一种方式 
   

在Python2.6以后，超市可以通过urllib2.urlopen()的Timeout参数直接设置

[python] view plain copy

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

3.HTTP Request中加入特定的Header

要加入header，需要使用Request对象：

[python] view plain copy

1. import urllib2  
2. request = urllib2.Request('http://www.baidu.com/')  
3. request.add_header('User-Agent', 'fake-client')  
4. response = urllib2.urlopen(request)  
5. 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Resonse的URL和Request的URL是否一致就可以了。

[python] view plain copy

1. import urllib2  
2. my_url = 'http://www.google.cn'  
3. response = urllib2.urlopen(my_url)  
4. redirected = response.geturl() == my_url  
5. print redirected  
6.   
7. my_url = 'http://rrurl.cn/b1UZuP'  
8. response = urllib2.urlopen(my_url)  
9. redirected = response.geturl() == my_url  
10. print redirected 
    

运行结果：

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。

[python] view plain copy

1. import urllib2  
2. class RedirectHandler(urllib2.HTTPRedirectHandler):  
3.     def http_error_301(self, req, fp, code, msg, headers):  
4.         print "301"  
5.         pass  
6.     def http_error_302(self, req, fp, code, msg, headers):  
7.         print "303"  
8.         pass  
9.   
10. opener = urllib2.build_opener(RedirectHandler)  
11. 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：

[python] view plain copy

1. import urllib2  
2. import cookielib  
3. cookie = cookielib.CookieJar()  
4. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
5. response = opener.open('http://www.baidu.com')  
6. for item in cookie:  
7.     print 'Name = '+item.name  
8.     print 'Value = '+item.value 
   

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：

[python] view plain copy

1. import urllib2  
2. request = urllib2.Request(uri, data=data)  
3. request.get_method = lambda: 'PUT' # or 'DELETE'  
4. 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。

但对其他返回马来说，urlopen会抛出异常。这时候，就要检查异常对象的code属性了：

[python] view plain copy

1. import urllib2  
2. try:  
3.     response = urllib2.urlopen('http://bbs.csdn.net/why')  
4. except urllib2.HTTPError, e:  
5.     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，有时可以省去抓包工作

[python] view plain copy

1. import urllib2  
2. httpHandler = urllib2.HTTPHandler(debuglevel=1)  
3. httpsHandler = urllib2.HTTPSHandler(debuglevel=1)  
4. opener = urllib2.build_opener(httpHandler, httpsHandler)  
5. urllib2.install_opener(opener)  
6. response = urllib2.urlopen('http://www.google.com') 
   

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,continueURL,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：

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. import urllib  
3. import urllib2  
4. postdata=urllib.urlencode({  
5.     'username':'汪小光',  
6.     'password':'why888',  
7.     'continueURI':'http://www.verycd.com/',  
8.     'fk':'',  
9.     'login_submit':'登录'  
10. })  
11. req = urllib2.Request(  
12.     url = 'http://secure.verycd.com/signin',  
13.     data = postdata  
14. )  
15. result = urllib2.urlopen(req)  
16. print result.read()  
    

10.伪装成浏览器

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

[python] view plain copy

1. #…  
2.   
3. headers = {  
4.     'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
5. }  
6. req = urllib2.Request(  
7.     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
8.     data = postdata,  
9.     headers = headers  
10. ) 
    

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-Forwarded-For改了。