Python爬虫基本知识,urllib2的使用技巧

开课吧开课吧小代2021-02-04 13:44

现在越来越多的人都开始学习Python,可以说是形成了一股新的浪潮。有些人可能是因为兴趣爱好而选择Python,当然更多的人还是因为工作需要。可以说,Python工程师现在是一个很热门的领域。下面小编就给想要学习Python的同学分享一下urllib2的使用细节与技巧。

  1.Proxy 的设置

  urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。

  如果想在程序中明确控制 Proxy 而不受环境变量的影响,可以使用代理。

  新建test14来实现一个简单的代理Demo:

  这里要注意的一个细节,使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。

  这样后面的使用会很方便,但不能做更细致的控制,比如想在程序中使用两个不同的 Proxy 设置等。

  比较好的做法是不使用 install_opener 去更改全局的设置,而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

Python教程

  2.Timeout 设置

  在老版 Python 中(Python2.6前),urllib2 的 API 并没有暴露 Timeout 的设置,要设置 Timeout 值,只能更改 Socket 的全局 Timeout 值。

  在 Python 2.6 以后,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

  3.在 HTTP Request 中加入特定的 Header

  要加入 header,需要使用 Request 对象:

  对有些 header 要特别留意,服务器会针对这些 header 做检查

  User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求

  Content-Type : 在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。常见的取值有:

  application/xml : 在 XML RPC,如 RESTful/SOAP 调用时使用

  application/json : 在 JSON RPC 调用时使用

  application/x- : 浏览器提交 Web 表单时使用

  在使用服务器提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务。

  4.Redirect

  urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作,无需人工配置。要检测是否发生了 redirect 动作,只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

  如果不想自动 redirect,除了使用更低层次的 httplib 库之外,还可以自定义HTTPRedirectHandler 类。

  5.Cookie

  urllib2 对 Cookie 的处理也是自动的。

  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 ,只能使用比较低层的 httplib 库。

  7.得到 HTTP 的返回码

  对于 200 OK 来说,只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说,urlopen 会抛出异常。这时候,就要检查异常对象的 code 属性了。

  8.Debug Log

  使用 urllib2 时,可以通过下面的方法把 debug Log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,有时可以省去抓包的工作,这样就可以看到传输的数据包内容了。

  9.表单的处理

  登录必要填表,表单怎么填?

  首先利用工具截取所要填表的内容。

  比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包。

  以verycd为例,先找到自己发的POST请求,以及POST表单项。

可以看到verycd的话需要填 username,password,continueURI,fk,login_submit这几项,其中fk是随机生成的(其实不太随机,看上去像是把epoch时间经过简单的编码生成的),需要从网页获取,也就是说得先访问一次网页,用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写,login_submit是固定的,这从源码可以看出。还有username,password那就很显然了。

  10.伪装成浏览器访问

  某些网站反感爬虫的到访,于是对爬虫一律拒绝请求。

  这时候我们需要伪装成浏览器,这可以通过修改http包中的header来实现

  11.对付”反盗链”

  某些站点有所谓的反盗链设置,其实说穿了很简单,就是检查你发送请求的header里面,referer站点是不是他自己,所以我们只需要像把headers的referer改成该网站即可,以cnbeta为例:

  headers是一个dict数据结构,你可以放入任何想要的header,来做一些伪装。

例如,有些网站喜欢读取header中的X-Forwarded-For来看看人家的真实IP,可以直接把X-Forwarde-For改了。

Python的发展前景还是很可观的,有对Python感兴趣的同学就赶快学习起来吧。以上就是小编今天为大家整理发布的“Python爬虫基本知识,urllib2的使用技巧”一文,希望为正在学习Python的朋友提供学习参考,更多Python教程尽在开课吧广场Python教程频道!

有用
分享
全部评论快来秀出你的观点
登录 后可发表观点…
发表
暂无评论,快来抢沙发!
零基础轻松入门Python