欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

零基础写python爬虫之urllib2使用指南

程序员文章站 2023-11-04 13:45:22
前面说到了urllib2的简单入门,下面整理了一部分urllib2的使用细节。 1.proxy 的设置 urllib2 默认会使用环境变量 http_proxy 来...

前面说到了urllib2的简单入门,下面整理了一部分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:

复制代码 代码如下:

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) 

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。

复制代码 代码如下:

import urllib2 
import socket 
socket.setdefaulttimeout(10) # 10 秒钟后超时 
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。

复制代码 代码如下:

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 对象:

复制代码 代码如下:

import urllib2 
request = urllib2.request('http://www.baidu.com/') 
request.add_header('user-agent', 'fake-client') 
response = urllib2.urlopen(request) 
print response.read() 

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。

复制代码 代码如下:

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 

如果不想自动 redirect,除了使用更低层次的 httplib 库之外,还可以自定义httpredirecthandler 类。

复制代码 代码如下:

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 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:

复制代码 代码如下:

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 

运行之后就会输出访问百度的cookie值:

零基础写python爬虫之urllib2使用指南

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:

复制代码 代码如下:

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:

复制代码 代码如下:

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

8.debug log

使用 urllib2 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

复制代码 代码如下:

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') 

这样就可以看到传输的数据包内容了:

零基础写python爬虫之urllib2使用指南

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:

复制代码 代码如下:

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

result = urllib2.urlopen(req) 
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

复制代码 代码如下:

#… 
 
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.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。