1.設置headers

有些網(wǎng)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(diào)試瀏覽器 F12，打開Network，點登錄之后，我們會發(fā)現(xiàn)登陸之后界面都變化了，出現(xiàn)一個新的界面，實質(zhì)上這個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，實質(zhì)上是執(zhí)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(jīng)過多次請求之后，網(wǎng)頁的骨架和肌肉全了，整個網(wǎng)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。

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，我們設置了一個 headers，在構(gòu)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(fā)來的請求，就會得到響應。 另外，我們還有對付” 防盜鏈” 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(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，在傳送請求時把 headers 傳入 Request 參數(shù)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(fā)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(nèi)容該怎樣解析。
• 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

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

2.代理設置

urllib2 默認會使用環(huán)境變量 http_proxy 來設置 HTTP Proxy。假如一個網(wǎng)站它會檢測某一段時間某個 IP 的訪問次數(shù)，如果訪問次數(shù)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(wǎng)站不知道是誰在搗鬼了， 下面一段代碼說明了代理的設置用法

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) # urllib2.ProxyHandler # urllib2.build_opener # urllib2.install_opener proxies = {'http': 'http://host:port'} response = urllib.urlopen(url, proxies=proxies) content = response.read()

3.Timeout設置

上一節(jié)已經(jīng)說過 urlopen 方法了，第三個參數(shù)就是 timeout 的設置，可以設置等待多久超時，為了解決一些網(wǎng)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(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)

4.使用HTTP的PUT和DELETE方法

http 協(xié)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(zhì)上來講， PUT 和 POST 極為相似，都是向服務器發(fā)送數(shù)據(jù)，但它們之間有一個重要區(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。

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)容就會在屏幕上打印出來，方便調(diào)試，這個也不太常用，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')

效果

C:\Python27\python.exe H:/spiderexercise/spidertest/urllibtest.py send: 'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.baidu.com\r\nConnection: close\r\nUser-Agent: Python-urllib/2.7\r\n\r\n' reply: 'HTTP/1.1 200 OK\r\n' header: Bdpagetype: 1 header: Bdqid: 0x9260fc08000484e9 header: Cache-Control: private header: Content-Type: text/html;charset=utf-8 ...

以上便是一部分高級特性，前三個是重要內(nèi)容，在后面，還有 cookies 的設置還有異常的處理

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的Python爬虫入门四urllib库的高级用法的全部內(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。