[Python]網路爬蟲（五）：urllib2的使用細節與抓站技巧

前面說到了urllib2的簡單入門，下面整理了一部分urllib2的使用細節。

1.Proxy 的設定

urllib2 預設會使用環境變數 http_proxy 設定 HTTP Proxy。

如果想在程式中明確控制 Proxy 而不受環境變數的影響，可以使用代理。

新建test14來實作一個簡單的代理Demo：

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)

這裡要注意的一個細節，使用 urllib2.install_opener() 會設定 urllib2 的全域 opener 。

這樣後面的使用會很方便，但不能做更細緻的控制，例如想在程式中使用兩個不同的 Proxy 設定等。

比較好的做法是不使用 install_opener 去更改全域的設置，而只是直接調用 opener 的 open 方法來代替全域的 urlopen 方法。

2.Timeout 設定
在舊版 Python 中（Python2.6前），urllib2 的 API 並沒有暴露 Timeout 的設置，要設定 Timeout 值，只能更改 Socket 的全域 Timeout 值。

import urllib2  
import socket  
socket.setdefaulttimeout(10) # 10 秒钟后超时  
urllib2.socket.setdefaulttimeout(10) # 另一种方式

在 Python 2.6 以後，超時可以透過 urllib2.urlopen() 的 timeout 參數直接設定。

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 物件：

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

對有些header 要特別留意，伺服器會針對這些header 做檢查
User-Agent : Proxy 會透過該值來判斷是否為瀏覽器所發出的請求
Content-Type : 使用REST 介面時，伺服器會檢查該值，用來決定HTTP Body 中的內容該如何解析。常見的取值有：
application/xml ： 在XML RPC，如RESTful/SOAP 呼叫時使用
application/json ： 當JSON RPC 呼叫時使用
application/x-www-form-urlencoded ： 瀏覽器提交Web 表單時使用
在使用伺服器提供的RESTful 或SOAP 服務時， Content-Type 設定錯誤會導致伺服器拒絕服務

4.Redirect
urllib2 預設值進行預設值 3XXirect ，無需人工配置。要偵測是否發生了 redirect 動作，只要檢查 Response 的 URL 和 Request 的 URL 是否一致就可以了。

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 redirect，除了使用更較低層次的 httplib 函式庫之外，還可以自訂HTTPRedirectHandler 類別。

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 Cookie 的處理也是自動的。如果需要得到某個Cookie 項目的值，可以這麼做：

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

運行之後就會輸出訪問百度的Cookie值：

6.使用HTTP 的PUT 和DELETE 方法

url和POST 方法，如果要使用HTTP PUT 和DELETE ，只能使用比較低層的httplib 函式庫。雖然如此，我們還是能透過下面的方式，讓urllib2 能夠發出PUT 或DELETE 的請求：

import urllib2  
request = urllib2.Request(uri, data=data)  
request.get_method = lambda: 'PUT' # or 'DELETE'  
response = urllib2.urlopen(request)

7.得到HTTP 的回傳碼

對於200 OK 來說，只要使用urlopen 傳回的response 物件的getcode()方法就可以得到HTTP 的回傳碼。但對其它回傳碼來說，urlopen 會拋出例外。這時候，就要檢查異常物件的code 屬性了：

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，可以透過下面的方法把debug Log 打開，這樣收發包的內容就會在螢幕上列印出來，方便調試，有時可以省去抓包的工作

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的資料包內容了：

9.表單的處理

登入表，表

首先利用工具截取所要填表的內容。
例如我通常用firefox+httpfox外掛來看看自己到底送了什麼包。
以verycd為例，先找到自己發的POST請求，以及POST表單項目。
可以看到verycd的話需要填username,password,continueURI,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說先訪問一次網頁，用正規表示式等工具截取返回資料中的fk項。 continueURI顧名思義可以隨便寫，login_submit是固定的，這從原始碼可以看出。還有username，password那就很顯然了：

# -*- coding: utf-8 -*-  
import urllib  
import urllib2  
postdata=urllib.urlencode({  
    'username':'汪小光',  
    'password':'why888',  
    'continueURI':'http://www.verycd.com/',  
    'fk':'',  
    'login_submit':'登录'  
})  
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
某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求
這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現

#…  
  
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.對付"反盜鏈"
某些站點有所謂的反盜鏈設置，其實說穿了很簡單，

就是檢查你發送請求的header裡面，referer網站是不是他自己，

所以我們只需要像把headers的referer改成該網站即可，以cnbeta為例：

#...
headers = {
    'Referer':'http://www.cnbeta.com/articles'
}
#...

headers是一個dict資料結構，你可以放入任何想要的header，來做一些偽裝。

例如，有些網站喜歡讀header中的X-Forwarded-For來看看人家的真實IP，可以直接把X-Forwarde-For改了。

以上就是 [Python]網路爬蟲（五）：urllib2的使用細節與抓站技巧的內容，更多相關內容請關注PHP中文網（www.php.cn）！