Python爬虫入门四之Urllib库的高级用法

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。

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。

#!/bin/usr/env python3#coding:utf-8import urllib.request, urllib.parseurl = 'http://www.zhihu.com/#signin'values = {    'username': '[e-mail]',    'password': '123456789'}headers = {    'User_Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}data = urllib.parse.urlencode(values)request = urllib.request.Request(url, data.encode('utf-8'), headers)response = urllib.request.urlopen(request)print(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/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',    'Referer': 'http://www.zhihu.com'}

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。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
  
  • 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

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

urllib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

#!/usr/bin/env python3#coding:utf-8import urllib.requestproxy_handler = urllib.request.ProxyHandler({    'http': 'http://some-proxy.com:8080'    })opener = urllib.request.build_opener(proxy_handler)urllib.request.install_opener(opener)

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。

#!/usr/bin/env python3#coding:utf-8import urllib.requesturl = 'http://www.baidu.com'response1 = urllib.request.urlopen(url, timeout = 10)data = ''response2 = urllib.request.urlopen(url, data.encode('utf-8'), 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。虽然如此，我们还是能通过下面的方式，使 urllib 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

#!/usr/bin/env python3#coding:utf-8import urllib.requesturl = 'http://www.baidu.com'data = ""put_request = urllib.request.Request(url, data.encode('utf-8'))put_request.get_method = lambda: 'PUT'delete_request = urllib.request.Request(url, data.encode('utf-8'))delete_request.get_method = lambda: 'DELETE'put_response = urllib.request.urlopen(put_request)delete_response = urllib.request.urlopen(delete_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，这个也不太常用，仅提一下

#!/usr/bin/env python3#coding:utf-8import urllib.requesthttphandler = urllib.request.HTTPHandler(debuglevel = 1)httpshandler = urllib.request.HTTPSHandler(debuglevel = 1)opener = urllib.request.build_opener(httphandler, httpshandler)urllib.request.install_opener(opener)response = urllib.request.urlopen('http://www.baidu.com')

转载于：静觅 » Python爬虫入门四之Urllib库的高级用法