python写爬虫使用urllib2方法

释放双眼,带上耳机,听听看~!

整理了一部分urllib2的使用细节。

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

import
 urllib2    
1.
  
1.
enable_proxy = 
True
    
1.
  
1.
proxy_handler = urllib2.ProxyHandler({
"http"
 : 
'http://some-proxy.com:8080'
})    
1.
  
1.
null_proxy_handler = urllib2.ProxyHandler({})    
1.
  
1.
if
 enable_proxy:    
1.
  
1.
    opener = urllib2.build_opener(proxy_handler)    
1.
  
1.
else
:    
1.
  
1.
    opener = urllib2.build_opener(null_proxy_handler)    
1.
  
1.
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,比如想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

import
 urllib2    
1.
  
1.
import
 socket    
1.
  
1.
socket.setdefaulttimeout(
10

# 10 秒钟后超时  
  
1.
  
1.
urllib2.socket.setdefaulttimeout(
10

# 另一种方式
  

在 Python 2.6 以后,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

[python]  view plain copy

import
 urllib2    
1.
  
1.
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 对象:

[python]  view plain copy

import
 urllib2    
1.
  
1.
request = urllib2.Request(
'http://www.baidu.com/'
)    
1.
  
1.
request.add_header(
'User-Agent'

'fake-client'
)    
1.
  
1.
response = urllib2.urlopen(request)    
1.
  
1.
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 Response 的 URL 和 Request 的 URL 是否一致就可以了。

[python]  view plain copy

import
 urllib2    
1.
  
1.
my_url = 
'http://www.google.cn'
    
1.
  
1.
response = urllib2.urlopen(my_url)    
1.
  
1.
redirected = response.geturl() == my_url    
1.
  
1.
print
 redirected    
1.
  
1.
my_url = 
'http://rrurl.cn/b1UZuP'
    
1.
  
1.
response = urllib2.urlopen(my_url)    
1.
  
1.
redirected = response.geturl() == my_url    
1.
  
1.
print
 redirected  

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

import
 urllib2    
1.
  
1.
class
 RedirectHandler(urllib2.HTTPRedirectHandler):    
1.
  
1.
    
def
 http_error_301(
self
, req, fp, code, msg, headers):    
1.
  
1.
        
print
 
"301"
    
1.
  
1.
        
pass
    
1.
  
1.
    
def
 http_error_302(
self
, req, fp, code, msg, headers):    
1.
  
1.
        
print
 
"303"
    
1.
  
1.
        
pass
     
1.
  
1.
opener = urllib2.build_opener(RedirectHandler)    
1.
  
1.
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

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

运行之后就会输出访问百度的Cookie值:

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

import
 urllib2    
1.
  
1.
request = urllib2.Request(uri, data=data)    
1.
  
1.
request.get_method = 
lambda

'PUT'
 
# or 'DELETE'  
  
1.
  
1.
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。但对其它返回码来说,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

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

[python]  view plain copy

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

这样就可以看到传输的数据包内容了:

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,continueURI,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

# -*- coding: utf-8 -*-  
  
1.
  
1.
import
 urllib    
1.
  
1.
import
 urllib2    
1.
  
1.
postdata=urllib.urlencode({    
1.
  
1.
    
'username'
:
'汪小光'
,    
1.
  
1.
    
'password'
:
'why888'
,    
1.
  
1.
    
'continueURI'
:
'http://www.verycd.com/'
,    
1.
  
1.
    
'fk'
:
''
,    
1.
  
1.
    
'login_submit'
:
'登录'
    
1.
  
1.
})    
1.
  
1.
req = urllib2.Request(    
1.
  
1.
    url = 
'http://secure.verycd.com/signin'
,    
1.
  
1.
    data = postdata    
1.
  
1.
)    
1.
  
1.
result = urllib2.urlopen(req)    
1.
  
1.
print
 result.read()  

10.伪装成浏览器访问

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

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-Forwarde-For改了。 

参考来源: 
零基础写python爬虫之urllib2使用指南
链接地址

链接地址延伸阅读

《零基础写Python爬虫》系列技术文章整理收藏 

1零基础写python爬虫之爬虫的定义及URL构成

2零基础写python爬虫之使用urllib2组件抓取网页内容

3零基础写python爬虫之urllib2使用指南

4零基础写python爬虫之urllib2中的两个重要概念:Openers和Handlers

5零基础写python爬虫之HTTP异常处理

6零基础写python爬虫之抓取百度贴吧代码分享

7零基础写python爬虫之神器正则表达式

8零基础写python爬虫之爬虫编写全记录

9零基础写python爬虫之爬虫框架Scrapy安装配置

10零基础写python爬虫之打包生成exe文件

11零基础写python爬虫之抓取百度贴吧并存储到本地txt文件改进版

12零基础写python爬虫之抓取糗事百科代码分享

13零基础写python爬虫之使用Scrapy框架编写爬虫

给TA打赏
共{{data.count}}人
人已打赏
安全经验

职场中的那些话那些事

2021-9-24 20:41:29

安全经验

Linux日志分析

2021-11-28 16:36:11

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索