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
- 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'
- }
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
- 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)
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
- import
- urllib2
- response
- =
- urllib2.urlopen('http://www.baidu.com',
- timeout=10)
Python
- import urllib2
- 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
- import
- urllib2
- request
- =
- urllib2.Request(uri,
- data=data)
- request.get_method
- =
- lambda:
- 'PUT'
- #
- or 'DELETE'
- response
- =
- 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
- 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')
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!
閱讀更多 夢幫客工作室 的文章