Python爬蟲入門（4）：Urllib庫的高級用法

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，那麼站點根本不會響應，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，點登錄之後，我們會發現登陸之後界面都變化 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，然後加載JS，CSS 等等，經過多次請求之後，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，小夥伴們可以親身實驗一下。那麼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，那麼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，小夥伴們看一下設置格式就好。

Python

1. import urllib
2. import urllib2
4. url = 'http://www.server.com/login'
5. user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
6. values = {'username' : 'cqc', 'password' : 'XXXX' }
7. headers = { 'User-Agent' : user_agent }
8. data = urllib.urlencode(values)
9. request = urllib2.Request(url, data, headers)
10. response = urllib2.urlopen(request)
11. page = response.read()

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

1. headers
2. =
3. {
4. 'User-Agent'
5. :
6. 'Mozilla/4.0 (compatible;
7. MSIE 5.5; Windows NT)' ,
8. 'Referer':'http://www.zhihu.com/articles'
9. }

同上面的方法，在傳送請求時把headers傳入Request參數裡，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

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

1. import urllib2
2. enable_proxy = True
3. proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
4. null_proxy_handler = urllib2.ProxyHandler({})
5. if enable_proxy:
6. opener = urllib2.build_opener(proxy_handler)
7. else:
8. opener = urllib2.build_opener(null_proxy_handler)
9. urllib2.install_opener(opener)

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為空那麼要特別指定是timeout是多少，寫明形參，如果data已經傳入，則不必聲明。

Python

1. import
2. urllib2
3. response
4. =
5. urllib2.urlopen('http://www.baidu.com',
6. timeout=10)

Python

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

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雲服務裡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，在這裡提一下。

Python

1. import
2. urllib2
3. request
4. =
5. urllib2.Request(uri,
6. data=data)
7. request.get_method
8. =
9. lambda:
10. 'PUT'
11. #
12. or 'DELETE'
13. response
14. =
15. 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

1. import
2. urllib2
3. httpHandler
4. =
5. urllib2.HTTPHandler(debuglevel=1)
6. httpsHandler
7. =
8. urllib2.HTTPSHandler(debuglevel=1)
9. opener
10. =
11. urllib2.build_opener(httpHandler,
12. httpsHandler)
13. urllib2.install_opener(opener)
14. response
15. =
16. urllib2.urlopen('http://www.baidu.com')

以上便是一部分高級特性，前三個是重要內容，在後面，還有cookies的設置還有異常的處理，小夥伴們加油！