Python2爬蟲中Urllib的使用方法

這篇文章給大家分享的是有關(guān)Python2爬蟲中Urllib的使用方法的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考。一起跟隨小編過來看看吧。

1、設(shè)置Headers

有些網(wǎng)站不會(huì)同意程序直接用上面的方式進(jìn)行訪問，如果識(shí)別有問題，那么站點(diǎn)根本不會(huì)響應(yīng)，所以為了完全模擬瀏覽器的工作，我們需要設(shè)置一些Headers 的屬性。

首先，打開我們的瀏覽器，調(diào)試瀏覽器F12，我用的是Chrome，打開網(wǎng)絡(luò)監(jiān)聽，示意如下，比如知乎，點(diǎn)登錄之后，我們會(huì)發(fā)現(xiàn)登陸之后界面都變化了，出現(xiàn)一個(gè)新的界面，實(shí)質(zhì)上這個(gè)頁面包含了許許多多的內(nèi)容，這些內(nèi)容也不是一次性就加載完成的，實(shí)質(zhì)上是執(zhí)行了好多次請(qǐng)求，一般是首先請(qǐng)求HTML文件，然后加載JS，CSS 等等，經(jīng)過多次請(qǐng)求之后，網(wǎng)頁的骨架和肌肉全了，整個(gè)網(wǎng)頁的效果也就出來了。

拆分這些請(qǐng)求，我們只看一第一個(gè)請(qǐng)求，你可以看到，有個(gè)Request URL，還有headers，下面便是response，圖片顯示得不全，小伙伴們可以親身實(shí)驗(yàn)一下。那么這個(gè)頭中包含了許許多多是信息，有文件編碼啦，壓縮方式啦，請(qǐng)求的agent啦等等。

其中，agent就是請(qǐng)求的身份，如果沒有寫入請(qǐng)求身份，那么服務(wù)器不一定會(huì)響應(yīng)，所以可以在headers中設(shè)置agent,例如下面的例子，這個(gè)例子只是說明了怎樣設(shè)置的headers，小伙伴們看一下設(shè)置格式就好。

import urllib  
import urllib2  
url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
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()

這樣，我們?cè)O(shè)置了一個(gè)headers，在構(gòu)建request時(shí)傳入，在請(qǐng)求時(shí)，就加入了headers傳送，服務(wù)器若識(shí)別了是瀏覽器發(fā)來的請(qǐng)求，就會(huì)得到響應(yīng)。

另外，我們還有對(duì)付”反盜鏈”的方式，對(duì)付防盜鏈，服務(wù)器會(huì)識(shí)別headers中的referer是不是它自己，如果不是，有的服務(wù)器不會(huì)響應(yīng)，所以我們還可以在headers中加入referer。

例如我們可以構(gòu)建下面的headers

headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  ,
        'Referer':'http://www.zhihu.com/articles' }

同上面的方法，在傳送請(qǐng)求時(shí)把headers傳入Request參數(shù)里，這樣就能應(yīng)付防盜鏈了。

另外headers的一些屬性，下面的需要特別注意一下：

User-Agent : 有些服務(wù)器或 Proxy 會(huì)通過該值來判斷是否是瀏覽器發(fā)出的請(qǐng)求

Content-Type : 在使用 REST 接口時(shí)，服務(wù)器會(huì)檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。

application/xml ： 在 XML RPC，如 RESTful/SOAP 調(diào)用時(shí)使用

application/json ： 在 JSON RPC 調(diào)用時(shí)使用

application/x-www-form-urlencoded ： 瀏覽器提交 Web 表單時(shí)使用

在使用服務(wù)器提供的 RESTful 或 SOAP 服務(wù)時(shí)， Content-Type 設(shè)置錯(cuò)誤會(huì)導(dǎo)致服務(wù)器拒絕服務(wù)

其他的有必要的可以審查瀏覽器的headers內(nèi)容，在構(gòu)建時(shí)寫入同樣的數(shù)據(jù)即可。

2、Proxy（代理）的設(shè)置

urllib2 默認(rèn)會(huì)使用環(huán)境變量 http_proxy 來設(shè)置 HTTP Proxy。假如一個(gè)網(wǎng)站它會(huì)檢測某一段時(shí)間某個(gè)IP 的訪問次數(shù)，如果訪問次數(shù)過多，它會(huì)禁止你的訪問。所以你可以設(shè)置一些代理服務(wù)器來幫助你做工作，每隔一段時(shí)間換一個(gè)代理，網(wǎng)站君都不知道是誰在搗鬼了，這酸爽！

下面一段代碼說明了代理的設(shè)置用法

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)

3、Timeout 設(shè)置

上一節(jié)已經(jīng)說過urlopen方法了，第三個(gè)參數(shù)就是timeout的設(shè)置，可以設(shè)置等待多久超時(shí)，為了解決一些網(wǎng)站實(shí)在響應(yīng)過慢而造成的影響。

例如下面的代碼,如果第二個(gè)參數(shù)data為空那么要特別指定是timeout是多少，寫明形參，如果data已經(jīng)傳入，則不必聲明。

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

import urllib2
response = urllib2.urlopen('http://www.baidu.com',data, 10)

4、使用 HTTP 的 PUT 和 DELETE 方法

http協(xié)議有六種請(qǐng)求方法：get、head、put、delete、post、options，我們有時(shí)候需要用到PUT方式或者DELETE方式請(qǐng)求。

PUT：這個(gè)方法比較少見。HTML表單也不支持這個(gè)。本質(zhì)上來講， PUT和POST極為相似，都是向服務(wù)器發(fā)送數(shù)據(jù)，但它們之間有一個(gè)重要區(qū)別，PUT通常指定了資源的存放位置，而POST則沒有，POST的數(shù)據(jù)存放位置由服務(wù)器自己決定。

DELETE：刪除某一個(gè)資源?；旧线@個(gè)也很少見，不過還是有一些地方比如amazon的S3云服務(wù)里面就用的這個(gè)方法來刪除資源。

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(fā)出 PUT 或DELETE 的請(qǐng)求，不過用的次數(shù)的確是少，在這里提一下。

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

5、使用DebugLog

可以通過下面的方法把 Debug Log 打開，這樣收發(fā)包的內(nèi)容就會(huì)在屏幕上打印出來，方便調(diào)試，這個(gè)也不太常用，僅提一下

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.baidu.com')

感謝各位的閱讀！關(guān)于Python2爬蟲中Urllib的使用方法就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！