[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 來設定 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來實現一個簡單的代理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 的全域性 opener 。
這樣後面的使用會很方便,但不能做更細緻的控制,比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 去更改全域性的設定,而只是直接呼叫 opener 的 open 方法代替全域性的 urlopen 方法。
2.Timeout 設定 在老版 Python 中(Python2.6前),urllib2 的 API 並沒有暴露 Timeout 的設定,要設定 Timeout 值,只能更改 Socket 的全域性 Timeout 值。
import urllib2
import socket
socket.setdefaulttimeout(10) # 10 秒鐘後超時
urllib2.socket.setdefaulttimeout(10) # 另一種方式
在 Python 2.6 以後,超時可以通過 urllib2.urlopen() 的 timeout 引數直接設定。
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 : 有些伺服器或 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 介面時,伺服器會檢查該值,用來確定 HTTP Body 中的內容該怎樣解析。常見的取值有: application/xml : 在 XML RPC,如 RESTful/SOAP 呼叫時使用 application/json : 在 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 預設情況下會針對 HTTP 3XX 返回碼自動進行 redirect 動作,無需人工配置。要檢測是否發生了 redirect 動作,只要檢查一下 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,除了使用更低層次的 httplib 庫之外,還可以自定義HTTPRedirectHandler 類。
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
執行之後就會輸出訪問百度的Cookie值:
6.使用 HTTP 的 PUT 和 DELETE 方法
urllib2 只支援 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。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:
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
對於 200 OK 來說,只要使用 urlopen 返回的 response 物件的 getcode() 方法就可以得到 HTTP 的返回碼。但對其它返回碼來說,urlopen 會丟擲異常。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,可以通過下面的方法把 debug Log 開啟,這樣收發包的內容就會在螢幕上打印出來,方便除錯,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
登入必要填表,表單怎麼填?
首先利用工具擷取所要填表的內容。 比如我一般用firefox+httpfox外掛來看看自己到底傳送了些什麼包。 以verycd為例,先找到自己發的POST請求,以及POST表單項。 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,也就是說得先訪問一次網頁,用正則表示式等工具擷取返回資料中的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':'登入'
})
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定,其實說穿了很簡單, 就是檢查你傳送請求的header裡面,referer站點是不是他自己,
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,有些網站喜歡讀取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。 --------------------- 作者:請叫我汪海 來源:CSDN 原文:https://blog.csdn.net/pleasecallmewhy/article/details/8925978 版權宣告:本文為博主原創文章,轉載請附上博文連結!