urllib库的高级应用
- 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()
- 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。
- 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)
- 设置timeout
import urllib
import urllib2
url = “http://www.baidu.com”
response = urllib2.urlopen(url,data,timeout = 10)