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：

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.
#…