投稿    登录
  您好,欢迎光临崔庆才的博客,最近博主在忙复习考试,可能评论和友链不能及时回应,请谅解,至17.1.12解除!

Python爬虫入门四之Urllib库的高级用法

Python 崔庆才 133636浏览 22评论

1.设置Headers

有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些Headers 的属性。

首先,打开我们的浏览器,调试浏览器F12,我用的是Chrome,打开网络监听,示意如下,比如知乎,点登录之后,我们会发现登陆之后界面都变化了,出现一个新的界面,实质上这个页面包含了许许多多的内容,这些内容也不是一次性就加载完成的,实质上是执行了好多次请求,一般是首先请求HTML文件,然后加载JS,CSS 等等,经过多次请求之后,网页的骨架和肌肉全了,整个网页的效果也就出来了。

2015-02-13 01:31:55 的屏幕截图

拆分这些请求,我们只看一第一个请求,你可以看到,有个Request URL,还有headers,下面便是response,图片显示得不全,小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息,有文件编码啦,压缩方式啦,请求的agent啦等等。

其中,agent就是请求的身份,如果没有写入请求身份,那么服务器不一定会响应,所以可以在headers中设置agent,例如下面的例子,这个例子只是说明了怎样设置的headers,小伙伴们看一下设置格式就好。

这样,我们设置了一个headers,在构建request时传入,在请求时,就加入了headers传送,服务器若识别了是浏览器发来的请求,就会得到响应。

另外,我们还有对付”反盗链”的方式,对付防盗链,服务器会识别headers中的referer是不是它自己,如果不是,有的服务器不会响应,所以我们还可以在headers中加入referer

例如我们可以构建下面的headers

同上面的方法,在传送请求时把headers传入Request参数里,这样就能应付防盗链了。

另外headers的一些属性,下面的需要特别注意一下:

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。
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-www-form-urlencoded : 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

其他的有必要的可以审查浏览器的headers内容,在构建时写入同样的数据即可。

2. Proxy(代理)的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数,如果访问次数过多,它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,网站君都不知道是谁在捣鬼了,这酸爽!

下面一段代码说明了代理的设置用法

3.Timeout 设置

上一节已经说过urlopen方法了,第三个参数就是timeout的设置,可以设置等待多久超时,为了解决一些网站实在响应过慢而造成的影响。

例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少,写明形参,如果data已经传入,则不必声明。

4.使用 HTTP 的 PUT 和 DELETE 方法

http协议有六种请求方法,get,head,put,delete,post,options,我们有时候需要用到PUT方式或者DELETE方式请求。

PUT:这个方法比较少见。HTML表单也不支持这个。本质上来讲, PUT和POST极为相似,都是向服务器发送数据,但它们之间有一个重要区别,PUT通常指定了资源的存放位置,而POST则没有,POST的数据存放位置由服务器自己决定。
DELETE:删除某一个资源。基本上这个也很少见,不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。

如果要使用 HTTP PUT 和 DELETE ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 PUT 或DELETE 的请求,不过用的次数的确是少,在这里提一下。

 5.使用DebugLog

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,这个也不太常用,仅提一下

以上便是一部分高级特性,前三个是重要内容,在后面,还有cookies的设置还有异常的处理,小伙伴们加油!

转载请注明:静觅 » Python爬虫入门四之Urllib库的高级用法

喜欢 (511)or分享 (0)

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请狠狠点击下面的

  1. 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)
    新手,里面有的部分不太懂,我是这样理解的,看看对么。
    不给enable_proxy提前设一个真值,并在下面进行判断,会自动取环境中的Proxy,变得不可控

  2. 博主您好,请教一下这个问题:模拟登陆csdn时,返回的结果还是登录之前的页面,不懂哪里错了
    # coding=utf-8
    import urllib
    import urllib2
    import re
    import StringIO
    import gzip

    # 1 提取动态的lt和execution
    url = ‘https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn’
    string = urllib2.urlopen(url).read()
    pattern_lt = re.compile(‘name=lt value=(.*) />’)
    pattern_execution = re.compile(‘name=execution value=(.*) />’)
    lt = re.findall(pattern_lt, string)[0]
    execution = re.findall(pattern_execution, string)[0]
    print lt, execution

    # 2 设置headers和post_data,然后request并得到response
    post_url = ‘https://passport.csdn.net/account/login?from=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn’
    # headers = {
    # ‘Host’: ‘passport.csdn.net’,
    # ‘Referer’: ‘https://passport.csdn.net/account/login?from=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn’
    # }
    headers = {‘Accept’: ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8’,
    ‘Accept-Encoding’: ‘gzip, deflate, br’,
    ‘Accept-Language’: ‘zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3’,
    ‘Connection’: ‘keep-alive’,
    ‘Host’: ‘passport.csdn.net’,
    ‘Referer’: ‘https://passport.csdn.net/account/login?from=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn’,
    ‘Content-Type’: ‘application/x-www-form-urlencoded’
    }
    post_data = {‘_eventId’: ‘submit’,
    ‘execution’: execution,
    ‘lt’: lt,
    ‘password’: ‘**********’,
    ‘username’: ‘**********’}
    post_data = urllib.urlencode(post_data)
    request = urllib2.Request(post_url, post_data, headers)
    response = urllib2.urlopen(request)
    data = response.read()
    print data
    # 3 data解压缩
    buf = StringIO.StringIO(data)
    gzip_f = gzip.GzipFile(fileobj=buf)
    content = gzip_f.read()
    print content

  3. 博主您好,看到您博客界面非常美观,不知道您代码显示插件用的是?上面介绍六种请求那里绿色的框体又是什么?不知道方便不方便分享一下

  4. 为什么我用你的方法没办法登陆csdn呢?返回的还是登陆界面的html[emoji:ff5e]

  5. 博主,请教一下,我爬取一个网站他的编码是gb2312,但是解码总是出错。
    import urllib2

    url = ‘http://www.ichemistry.cn/weixianpin/’
    req = urllib2.Request(url)
    response = urllib2.urlopen(req).read()
    response = response.decode(‘gb2312’).encode(‘utf-8’)
    print response
    错误:UnicodeDecodeError: ‘gb2312’ codec can’t decode bytes in position 6670-6671: illegal multibyte sequence

  6. 有一部分是,然而这些知识都是最基础的用法,在urllib2API里面也可以查到,博文内容与原文章都不一样,所以我只在后面的一两篇实战中注明,前面的基础知识没有,谢谢。

  7. 为什么用博主的方法无法登陆知乎?总是403 forbidden,是知乎服务器的验证方法不一样了吗?