零基礎寫python爬蟲之urllib2使用指南_python

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 的設定

urllib2 預設會使用環境變數 http_proxy 來設定 HTTP Proxy。
如果想在程式中明確控制 Proxy 而不受環境變數的影響，可以使用代理。
建立test14來實現一個簡單的代理Demo：

複製代碼 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) 

這裡要注意的一個細節，使用 urllib2.install_opener() 會設定 urllib2 的全域 opener 。
這樣後面的使用會很方便，但不能做更細緻的控制，比如想在程式中使用兩個不同的 Proxy 設定等。
比較好的做法是不使用 install_opener 去更改全域的設定，而只是直接調用 opener 的 open 方法代替全域的 urlopen 方法。

2.Timeout 設定

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

複製代碼 代碼如下:

import urllib2 
import socket 
socket.setdefaulttimeout(10) # 10 秒鐘後逾時 
urllib2.socket.setdefaulttimeout(10) # 另一種方式 

在 Python 2.6 以後，逾時可以通過 urllib2.urlopen() 的 timeout 參數直接設定。

複製代碼 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：

複製代碼 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，伺服器會針對這些 header 做檢查
User-Agent : 有些伺服器或 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 介面時，伺服器會檢查該值，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
在使用伺服器提供的 RESTful 或 SOAP 服務時， Content-Type 設定錯誤會導致伺服器拒絕服務

4.Redirect

urllib2 預設情況下會針對 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。

複製代碼 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，還可以自訂HTTPRedirectHandler 類。

複製代碼 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，可以這麼做：

複製代碼 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 

運行之後就會輸出訪問百度的Cookie值：

6.使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支援 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：

複製代碼 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

對於 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：

複製代碼 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 開啟，這樣收發包的內容就會在螢幕上列印出來，方便調試，有時可以省去抓包的工作

複製代碼 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資料包內容了：

9.表單的處理

登入必要填表，表單怎麼填？
首先利用工具截取所要填表的內容。
比如我一般用firefox+httpfox外掛程式來看看自己到底發送了些什麼包。
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是隨機產生的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼產生的），需要從網頁擷取，也就是說得先訪問一次網頁，用Regex等工具截取返回資料中的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：

複製代碼 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':'登入' 
}) 
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，於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

複製代碼 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"

某些網站有所謂的反盜鏈設定，其實說穿了很簡單，
就是檢查你發送請求的header裡面，referer網站是不是他自己，
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資料結構，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。