亚洲免费在线-亚洲免费在线播放-亚洲免费在线观看-亚洲免费在线观看视频-亚洲免费在线看-亚洲免费在线视频

零基礎寫python爬蟲之urllib2使用指南

系統 1522 0

前面說到了urllib2的簡單入門,下面整理了一部分urllib2的使用細節。

1.Proxy 的設置

urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy。
如果想在程序中明確控制 Proxy 而不受環境變量的影響,可以使用代理。
新建test14來實現一個簡單的代理Demo:

復制代碼 代碼如下:

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)?

這里要注意的一個細節,使用 urllib2.install_opener() 會設置 urllib2 的全局 opener 。
這樣后面的使用會很方便,但不能做更細致的控制,比如想在程序中使用兩個不同的 Proxy 設置等。
比較好的做法是不使用 install_opener 去更改全局的設置,而只是直接調用 opener 的 open 方法代替全局的 urlopen 方法。

2.Timeout 設置

在老版 Python 中(Python2.6前),urllib2 的 API 并沒有暴露 Timeout 的設置,要設置 Timeout 值,只能更改 Socket 的全局 Timeout 值。

復制代碼 代碼如下:

import urllib2?
import socket?
socket.setdefaulttimeout(10) # 10 秒鐘后超時?
urllib2.socket.setdefaulttimeout(10) # 另一種方式?

在 Python 2.6 以后,超時可以通過 urllib2.urlopen() 的 timeout 參數直接設置。

復制代碼 代碼如下:

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

3.在 HTTP Request 中加入特定的 Header

要加入 header,需要使用 Request 對象:

復制代碼 代碼如下:

import urllib2?
request = urllib2.Request('http://www.baidu.com/')?
request.add_header('User-Agent', 'fake-client')?
response = urllib2.urlopen(request)?
print response.read()?

對有些 header 要特別留意,服務器會針對這些 header 做檢查
User-Agent : 有些服務器或 Proxy 會通過該值來判斷是否是瀏覽器發出的請求
Content-Type : 在使用 REST 接口時,服務器會檢查該值,用來確定 HTTP Body 中的內容該怎樣解析。常見的取值有:
application/xml : 在 XML RPC,如 RESTful/SOAP 調用時使用
application/json : 在 JSON RPC 調用時使用
application/x-www-form-urlencoded : 瀏覽器提交 Web 表單時使用
在使用服務器提供的 RESTful 或 SOAP 服務時, Content-Type 設置錯誤會導致服務器拒絕服務

4.Redirect

urllib2 默認情況下會針對 HTTP 3XX 返回碼自動進行 redirect 動作,無需人工配置。要檢測是否發生了 redirect 動作,只要檢查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

復制代碼 代碼如下:

import urllib2?
my_url = 'http://www.google.cn'?
response = urllib2.urlopen(my_url)?
redirected = response.geturl() == my_url?
print redirected?
my_url = 'http://rrurl.cn/b1UZuP'?
response = urllib2.urlopen(my_url)?
redirected = response.geturl() == my_url?
print redirected?

如果不想自動 redirect,除了使用更低層次的 httplib 庫之外,還可以自定義HTTPRedirectHandler 類。

復制代碼 代碼如下:

import urllib2?
class RedirectHandler(urllib2.HTTPRedirectHandler):?
??? def http_error_301(self, req, fp, code, msg, headers):?
??????? print "301"?
??????? pass?
??? def http_error_302(self, req, fp, code, msg, headers):?
??????? print "303"?
??????? pass??
opener = urllib2.build_opener(RedirectHandler)?
opener.open('http://rrurl.cn/b1UZuP')?

5.Cookie

urllib2 對 Cookie 的處理也是自動的。如果需要得到某個 Cookie 項的值,可以這么做:

復制代碼 代碼如下:

import urllib2?
import cookielib?
cookie = cookielib.CookieJar()?
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))?
response = opener.open('http://www.baidu.com')?
for item in cookie:?
??? print 'Name = '+item.name?
??? print 'Value = '+item.value?

運行之后就會輸出訪問百度的Cookie值:

零基礎寫python爬蟲之urllib2使用指南_第1張圖片

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 ,只能使用比較低層的 httplib 庫。雖然如此,我們還是能通過下面的方式,使 urllib2 能夠發出 PUT 或DELETE 的請求:

復制代碼 代碼如下:

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

7.得到 HTTP 的返回碼

對于 200 OK 來說,只要使用 urlopen 返回的 response 對象的 getcode() 方法就可以得到 HTTP 的返回碼。但對其它返回碼來說,urlopen 會拋出異常。這時候,就要檢查異常對象的 code 屬性了:

復制代碼 代碼如下:

import urllib2?
try:?
??? response = urllib2.urlopen('http://bbs.csdn.net/why')?
except urllib2.HTTPError, e:?
??? print e.code?

8.Debug Log

使用 urllib2 時,可以通過下面的方法把 debug Log 打開,這樣收發包的內容就會在屏幕上打印出來,方便調試,有時可以省去抓包的工作

復制代碼 代碼如下:

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.google.com')?

這樣就可以看到傳輸的數據包內容了:

零基礎寫python爬蟲之urllib2使用指南_第2張圖片

9.表單的處理

登錄必要填表,表單怎么填?
首先利用工具截取所要填表的內容。
比如我一般用firefox+httpfox插件來看看自己到底發送了些什么包。
以verycd為例,先找到自己發的POST請求,以及POST表單項。
可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項,其中fk是隨機生成的(其實不太隨機,看上去像是把epoch時間經過簡單的編碼生成的),需要從網頁獲取,也就是說得先訪問一次網頁,用正則表達式等工具截取返回數據中的fk項。continueURI顧名思義可以隨便寫,login_submit是固定的,這從源碼可以看出。還有username,password那就很顯然了:

復制代碼 代碼如下:

# -*- coding: utf-8 -*-?
import urllib?
import urllib2?
postdata=urllib.urlencode({?
??? 'username':'汪小光',?
??? 'password':'why888',?
??? 'continueURI':'http://www.verycd.com/',?
??? 'fk':'',?
??? 'login_submit':'登錄'?
})?
req = urllib2.Request(?
??? url = 'http://secure.verycd.com/signin',?
??? data = postdata?
)?
result = urllib2.urlopen(req)?
print result.read()??

10.偽裝成瀏覽器訪問

某些網站反感爬蟲的到訪,于是對爬蟲一律拒絕請求
這時候我們需要偽裝成瀏覽器,這可以通過修改http包中的header來實現

復制代碼 代碼如下:

#…?
?
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'?
}?
req = urllib2.Request(?
??? url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',?
??? data = postdata,?
??? headers = headers?
)?
#...?

11.對付"反盜鏈"

某些站點有所謂的反盜鏈設置,其實說穿了很簡單,
就是檢查你發送請求的header里面,referer站點是不是他自己,
所以我們只需要像把headers的referer改成該網站即可,以cnbeta為例:
#...
headers = {
??? 'Referer':'http://www.cnbeta.com/articles'
}
#...
headers是一個dict數據結構,你可以放入任何想要的header,來做一些偽裝。
例如,有些網站喜歡讀取header中的X-Forwarded-For來看看人家的真實IP,可以直接把X-Forwarde-For改了。


更多文章、技術交流、商務合作、聯系博主

微信掃碼或搜索:z360901061

微信掃一掃加我為好友

QQ號聯系: 360901061

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。

【本文對您有幫助就好】

您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描上面二維碼支持博主2元、5元、10元、自定義金額等您想捐的金額吧,站長會非常 感謝您的哦!!!

發表我的評論
最新評論 總共0條評論
主站蜘蛛池模板: 99热这里只有精品免费 | 久久久精品| 亚洲成人aaa| 国产丰满老厨女房乱 | 久久综合狠狠综合久久 | 国产精品探花一区在线观看 | 亚洲一区播放 | 九九久久国产精品 | 色噜噜狠狠一区二区三区 | 日韩一区二区在线视频 | 色妞欧美 | 91aaa免费观看在线观看资源 | 免费区欧美一级毛片 | 中文字幕在线观看不卡视频 | 国产欧美日韩免费一区二区 | 狠狠色狠狠色88综合日日91 | 综合久久久久久久综合网 | 狠狠的日视频 | 91视频国产高清 | 欧美经典人人爽人人爽人人片 | 男人资源在线 | 青青热久免费精品视频在线观看 | 福利姬在线精品观看 | 台湾成人性视频免费播放 | 日韩欧美无线在码 | 人成午夜欧美大片免费视频 | 五月色婷婷六月噜噜 | 国产成人亚洲综合欧美一部 | 九九视频网站 | 久久久精品日本一区二区三区 | 欧美激情在线视频播放 | 日本a一级毛片免费观看 | 99伦理| 久久免费精品 | 波多野结衣国产一区二区三区 | 亚洲欧美日韩精品高清 | 五月天天爱 | 国产精品视频九九九 | 免费一级特黄3大片视频 | 色狠狠婷婷97| 99九九热|