爬虫学习（2）

urllib库的高级应用

1. 设置header 伪装
   有些网站没有header里面设置的身份是不会响应请求的，所以为了能响应请求，加入身份认证

import urllib  
import urllib2  

url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  #浏览器代理身份认证
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()

1. 对付防盗链 使用referer

对header可以改为
headers = { ‘User-Agent’ : ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’,'Referer’:'http://www.zhihu.com/articles’ }

一些其他header

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。

1. 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

import urllib2
enable_proxy = True

proxy_Handler =urllib2.ProxyHandler({"http":"http://www.proxy.com:80"})
null_proxyHandler = urllib2.ProxyHandler({})

if enable_proxy:
    opener = urllib2.build_opener(proxy_Handler)
else:
    opener = urllib2.build_opener(null_proxyHandler)
urllib2.install_opener(opener)

1. 设置timeout
   import urllib
   import urllib2
   url = “http://www.baidu.com”
   response = urllib2.urlopen(url,data,timeout = 10)

Categories: Python, 爬虫