Python爬虫 Urllib 库的高级用法

有些网站对用户访问提交的数据格式和内容非常严格,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 Chrome 浏览器,按下 F12 键进入调试模式,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,整个网页的效果才能呈现。

拆分这些请求,我们只看一第一个请求,可以看到,有个 Request URL,还有 headers,下面便是 response。headers 中包含了许许多多是信息,有文件编码、压缩方式、UA 等。 其中,UA(user 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 UA。

1. 设置Headers

例如下面的例子,说明了怎样设置的 headers。

import urllib  
import urllib2  

url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
values = {'username' : 'cqc',  'password' : 'XXXX' }  
headers = { 'User-Agent' : user_agent }  
data = urllib.urlencode(values)  
request = urllib2.Request(url, data, headers)  
response = urllib2.urlopen(request)  
page = response.read()

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。

headers = { 
    'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Referer':'http://www.zhihu.com/articles' 
}

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。

其他必须提供的数据,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,来规避网站对 ip 的限制。

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)

3. Timeout 设置

上一节已经说过 urlopen 方法,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。

import urllib2
response = urllib2.urlopen('http://www.baidu.com', timeout=10)
import urllib2
response = urllib2.urlopen('http://www.baidu.com',data, 10)

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,不过使用的场景很少。

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

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。

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.baidu.com')