Python爬蟲學習之：Urllib庫的高級用法
來自： http://dataunion.org/22431.html
原文出處： 崔慶才的博客（@崔慶才丨靜覓）
1.設置Headers
有些網站不會同意程序直接用上面的方式進行訪問，如果識別有問題，那么站點根本不會響應，所以為了完全模擬瀏覽器的工作，我們需要設置一些Headers 的屬性。
首先，打開我們的瀏覽器，調試瀏覽器F12，我用的是Chrome，打開網絡監聽，示意如下，比如知乎，點登錄之后，我們會發現登陸之后界面都變化 了，出現一個新的界面，實質上這個頁面包含了許許多多的內容，這些內容也不是一次性就加載完成的，實質上是執行了好多次請求，一般是首先請求HTML文 件，然后加載JS，CSS 等等，經過多次請求之后，網頁的骨架和肌肉全了，整個網頁的效果也就出來了。
拆分這些請求，我們只看一第一個請求，你可以看到，有個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驗一下。那么這個頭中包含了許許多多是信息，有文件編碼啦，壓縮方式啦，請求的agent啦等等。
其中，agent就是請求的身份，如果沒有寫入請求身份，那么服務器不一定會響應，所以可以在headers中設置agent,例如下面的例子，這個例子只是說明了怎樣設置的headers，小伙伴們看一下設置格式就好。
Python
|
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 ( ) |
</div>
這樣，我們設置了一個headers，在構建request時傳入，在請求時，就加入了headers傳送，服務器若識別了是瀏覽器發來的請求，就會得到響應。
另外，我們還有 對付”反盜鏈” 的方式，對付防盜鏈，服務器會識別headers中的referer是不是它自己，如果不是，有的服務器不會響應，所以我們還可以在headers中加入referer
例如我們可以構建下面的headers
Python
|
headers = { ‘User-Agent’ : ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’ , ‘Referer’ : ‘http://www.zhihu.com/articles’ } |
</div>
同上面的方法，在傳送請求時把 head ers傳入Request參數里，這樣就能應付防盜鏈了。
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 接口時，服務器會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。
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
在使用服務器提供的 RESTful 或 SOAP 服務時， Content-Type 設置錯誤會導致服務器拒絕服務
</div>
其他的有必要的可以審查瀏覽器的headers內容，在構建時寫入同樣的數據即可。
2. Proxy（代理）的設置
urllib2 默認會使用 環境變量 http_proxy 來設置 HTTP Proxy。假如一個網站它會 檢測 某一段時間某個IP 的訪問次數，如果訪問次數過多，它會禁止你的訪問。所以你可以設置一些 代理服務器 來幫助你做工作，每隔一段時間換一個代理，網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 的設置用法
Python
|
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 ) |
</div>
3.Timeout 設置
上一節已經說過urlopen方法了，第三個參數就是timeout的設置，可以設置等待多久超時，為了解決一些網站實在響應過慢而造成的影響。
例如下面的代碼,如果第二個參數 data 為空那么要特別指定是timeout是多少，寫明形參，如果data已經傳入，則不必 聲明 。
Python
|
import urllib2 response = urllib2 . urlopen ( ‘http://www.baidu.com’ , timeout = 10 ) |
</div>
Python
|
import urllib2 response = urllib2 . urlopen ( ‘http://www.baidu.com’ , data , 10 ) |
</div>
4.使用 HTTP 的 PUT 和 DELETE 方法
http協議有六種請求方法，get, head ,put,delete,post,options，我們有時候需要用到PUT方式或者DELETE方式請求。
PUT：這個方法比較少見。HTML表單也不支持這個。本質上來講， PUT和POST極為相似，都是向服務器發送數據，但它們之間有一個重要區別，PUT通常指定了資源的存放位置，而POST則沒有，POST的數據存放位置由服務器自己決定。DELETE：刪除某一個資源。基本上這個也很少見，不過還是有一些地方比如amazon的S3云服務里面就用的這個方法來刪除資源。
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 能夠發出 PUT 或DELETE 的請求，不過用的次數的確是少，在這里提一下。
Python
|
import urllib2 request = urllib2 . Request ( uri , data = data ) request . get_method = lambda : ‘PUT’ # or ‘DELETE’ response = urllib2 . urlopen ( request ) |
</div>
5.使用DebugLog
可以通過下面的方法把 Debug Log 打開，這樣收發包的內容就會在屏幕上打印出來，方便調試，這個也不太常用，僅提一下
Python
|
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’ ) |
</div>
以上便是一部分高級特性，前三個是重要內容，在后面，還有cookies的設置還有異常的處理，小伙伴們加油！
</div>