欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

零基礎(chǔ)寫(xiě)python爬蟲(chóng)之urllib2使用指南

 更新時(shí)間:2014年11月05日 17:19:39   投稿:hebedich  
urllib2是Python的一個(gè)獲取URLs(Uniform Resource Locators)的組件。他以u(píng)rlopen函數(shù)的形式提供了一個(gè)非常簡(jiǎn)單的接口,下面我們用實(shí)例講解他的使用方法

前面說(shuō)到了urllib2的簡(jiǎn)單入門(mén),下面整理了一部分urllib2的使用細(xì)節(jié)。

1.Proxy 的設(shè)置

urllib2 默認(rèn)會(huì)使用環(huán)境變量 http_proxy 來(lái)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(lái)實(shí)現(xiàn)一個(gè)簡(jiǎn)單的代理Demo:

復(fù)制代碼 代碼如下:

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(gè)細(xì)節(jié),使用 urllib2.install_opener() 會(huì)設(shè)置 urllib2 的全局 opener 。
這樣后面的使用會(huì)很方便,但不能做更細(xì)致的控制,比如想在程序中使用兩個(gè)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(méi)有暴露 Timeout 的設(shè)置,要設(shè)置 Timeout 值,只能更改 Socket 的全局 Timeout 值。

復(fù)制代碼 代碼如下:

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

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

復(fù)制代碼 代碼如下:

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(duì)象:

復(fù)制代碼 代碼如下:

import urllib2 
request = urllib2.Request('http://www.baidu.com/') 
request.add_header('User-Agent', 'fake-client') 
response = urllib2.urlopen(request) 
print response.read() 

對(duì)有些 header 要特別留意,服務(wù)器會(huì)針對(duì)這些 header 做檢查
User-Agent : 有些服務(wù)器或 Proxy 會(huì)通過(guò)該值來(lái)判斷是否是瀏覽器發(fā)出的請(qǐng)求
Content-Type : 在使用 REST 接口時(shí),服務(wù)器會(huì)檢查該值,用來(lái)確定 HTTP Body 中的內(nèi)容該怎樣解析。常見(jiàn)的取值有:
application/xml : 在 XML RPC,如 RESTful/SOAP 調(diào)用時(shí)使用
application/json : 在 JSON RPC 調(diào)用時(shí)使用
application/x-www-form-urlencoded : 瀏覽器提交 Web 表單時(shí)使用
在使用服務(wù)器提供的 RESTful 或 SOAP 服務(wù)時(shí), Content-Type 設(shè)置錯(cuò)誤會(huì)導(dǎo)致服務(wù)器拒絕服務(wù)

4.Redirect

urllib2 默認(rèn)情況下會(huì)針對(duì) HTTP 3XX 返回碼自動(dòng)進(jìn)行 redirect 動(dòng)作,無(wú)需人工配置。要檢測(cè)是否發(fā)生了 redirect 動(dòng)作,只要檢查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

復(fù)制代碼 代碼如下:

import urllib2 
my_url = 'http://www.google.cn' 
response = urllib2.urlopen(my_url) 
redirected = response.geturl() == my_url 
print redirected 
my_url = 'http://rrurl.cn/b1UZuP' 
response = urllib2.urlopen(my_url) 
redirected = response.geturl() == my_url 
print redirected 

如果不想自動(dòng) redirect,除了使用更低層次的 httplib 庫(kù)之外,還可以自定義HTTPRedirectHandler 類(lèi)。

復(fù)制代碼 代碼如下:

import urllib2 
class RedirectHandler(urllib2.HTTPRedirectHandler): 
    def http_error_301(self, req, fp, code, msg, headers): 
        print "301" 
        pass 
    def http_error_302(self, req, fp, code, msg, headers): 
        print "303" 
        pass  
opener = urllib2.build_opener(RedirectHandler) 
opener.open('http://rrurl.cn/b1UZuP') 

5.Cookie

urllib2 對(duì) Cookie 的處理也是自動(dòng)的。如果需要得到某個(gè) Cookie 項(xiàng)的值,可以這么做:

復(fù)制代碼 代碼如下:

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.name 
    print 'Value = '+item.value 

運(yùn)行之后就會(huì)輸出訪問(wèn)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(kù)。雖然如此,我們還是能通過(guò)下面的方式,使 urllib2 能夠發(fā)出 PUT 或DELETE 的請(qǐng)求:

復(fù)制代碼 代碼如下:

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(duì)于 200 OK 來(lái)說(shuō),只要使用 urlopen 返回的 response 對(duì)象的 getcode() 方法就可以得到 HTTP 的返回碼。但對(duì)其它返回碼來(lái)說(shuō),urlopen 會(huì)拋出異常。這時(shí)候,就要檢查異常對(duì)象的 code 屬性了:

復(fù)制代碼 代碼如下:

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(shí),可以通過(guò)下面的方法把 debug Log 打開(kāi),這樣收發(fā)包的內(nèi)容就會(huì)在屏幕上打印出來(lái),方便調(diào)試,有時(shí)可以省去抓包的工作

復(fù)制代碼 代碼如下:

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.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(lái)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(qǐng)求,以及POST表單項(xiàng)。
可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項(xiàng),其中fk是隨機(jī)生成的(其實(shí)不太隨機(jī),看上去像是把epoch時(shí)間經(jīng)過(guò)簡(jiǎn)單的編碼生成的),需要從網(wǎng)頁(yè)獲取,也就是說(shuō)得先訪問(wèn)一次網(wǎng)頁(yè),用正則表達(dá)式等工具截取返回?cái)?shù)據(jù)中的fk項(xiàng)。continueURI顧名思義可以隨便寫(xiě),login_submit是固定的,這從源碼可以看出。還有username,password那就很顯然了:

復(fù)制代碼 代碼如下:

# -*- 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(wèn)

某些網(wǎng)站反感爬蟲(chóng)的到訪,于是對(duì)爬蟲(chóng)一律拒絕請(qǐng)求
這時(shí)候我們需要偽裝成瀏覽器,這可以通過(guò)修改http包中的header來(lái)實(shí)現(xiàn)

復(fù)制代碼 代碼如下:

#… 
 
headers = { 
    '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(duì)付"反盜鏈"

某些站點(diǎn)有所謂的反盜鏈設(shè)置,其實(shí)說(shuō)穿了很簡(jiǎn)單,
就是檢查你發(fā)送請(qǐng)求的header里面,referer站點(diǎn)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(gè)dict數(shù)據(jù)結(jié)構(gòu),你可以放入任何想要的header,來(lái)做一些偽裝。
例如,有些網(wǎng)站喜歡讀取header中的X-Forwarded-For來(lái)看看人家的真實(shí)IP,可以直接把X-Forwarde-For改了。

相關(guān)文章

最新評(píng)論