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(jié)。

1.Proxy 的設(shè)置

urllib2 默認會使用環(huán)境變量 http_proxy 來設(shè)置 HTTP Proxy。

如果想在程序中明確控制 Proxy 而不受環(huán)境變量的影響，可以使用代理。

新建test14來實現(xiàn)一個簡單的代理Demo：

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)

這里要注意的一個細節(jié)，使用 urllib2.install_opener() 會設(shè)置 urllib2 的全局 opener 。

這樣后面的使用會很方便，但不能做更細致的控制，比如想在程序中使用兩個不同的 Proxy 設(shè)置等。

比較好的做法是不使用 install_opener 去更改全局的設(shè)置，而只是直接調(diào)用 opener 的 open 方法代替全局的 urlopen 方法。

2.Timeout 設(shè)置
在老版 Python 中（Python2.6前），urllib2 的 API 并沒有暴露 Timeout 的設(shè)置，要設(shè)置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

import urllib2 import socket socket.setdefaulttimeout(10) # 10 秒鐘后超時 urllib2.socket.setdefaulttimeout(10) # 另一種方式

在 Python 2.6 以后，超時可以通過 urllib2.urlopen() 的 timeout 參數(shù)直接設(shè)置。

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：

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，服務(wù)器會針對這些 header 做檢查
User-Agent : 有些服務(wù)器或 Proxy 會通過該值來判斷是否是瀏覽器發(fā)出的請求
Content-Type : 在使用 REST 接口時，服務(wù)器會檢查該值，用來確定 HTTP Body 中的內(nèi)容該怎樣解析。常見的取值有：
application/xml ： 在 XML RPC，如 RESTful/SOAP 調(diào)用時使用
application/json ： 在 JSON RPC 調(diào)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(wù)器提供的 RESTful 或 SOAP 服務(wù)時， Content-Type 設(shè)置錯誤會導(dǎo)致服務(wù)器拒絕服務(wù)

4.Redirect
urllib2 默認情況下會針對 HTTP 3XX 返回碼自動進行 redirect 動作，無需人工配置。要檢測是否發(fā)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。

import urllib2 my_url = 'http://www.google.cn' response = urllib2.urlopen(my_url) redirected = response.geturl() == my_url print redirectedmy_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，還可以自定義HTTPRedirectHandler 類。

import urllib2 class RedirectHandler(urllib2.HTTPRedirectHandler):def http_error_301(self, req, fp, code, msg, headers):print "301"passdef http_error_302(self, req, fp, code, msg, headers):print "303"passopener = 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，可以這么做：

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.nameprint 'Value = '+item.value

運行之后就會輸出訪問百度的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 的請求：

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

對于 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：

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 打開，這樣收發(fā)包的內(nèi)容就會在屏幕上打印出來，方便調(diào)試，有時可以省去抓包的工作

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?shù)臄?shù)據(jù)包內(nèi)容了：

9.表單的處理

登錄必要填表，表單怎么填？

首先利用工具截取所要填表的內(nèi)容。
比如我一般用firefox+httpfox插件來看看自己到底發(fā)送了些什么包。
以verycd為例，先找到自己發(fā)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是隨機生成的（其實不太隨機，看上去像是把epoch時間經(jīng)過簡單的編碼生成的），需要從網(wǎng)頁獲取，也就是說得先訪問一次網(wǎng)頁，用正則表達式等工具截取返回數(shù)據(jù)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：

?

# -*- coding: utf-8 -*- import urllib import urllib2 postdata=urllib.urlencode({'username':'汪小光','password':'why888','continueURI':'http://www.verycd.com/','fk':'','login_submit':'登錄' }) 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(wǎng)站反感爬蟲的到訪，于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(xiàn)

#…h(huán)eaders = {'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"
某些站點有所謂的反盜鏈設(shè)置，其實說穿了很簡單，
就是檢查你發(fā)送請求的header里面，referer站點是不是他自己，

所以我們只需要像把headers的referer改成該網(wǎng)站即可，以cnbeta為例：

#... headers = {'Referer':'http://www.cnbeta.com/articles' } #...

headers是一個dict數(shù)據(jù)結(jié)構(gòu)，你可以放入任何想要的header，來做一些偽裝。

例如，有些網(wǎng)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。
---------------------?
作者：請叫我汪海?
來源：CSDN?
原文：https://blog.csdn.net/pleasecallmewhy/article/details/8925978?
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請附上博文鏈接！

總結(jié)

以上是生活随笔為你收集整理的[Python]网络爬虫（五）：urllib2的使用细节与抓站技巧的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。