Python2爬蟲中Urllib的使用方法

這篇文章給大家分享的是有關Python2爬蟲中Urllib的使用方法的內容。小編覺得挺實用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。

1、設置Headers

有些網站不會同意程序直接用上面的方式進行訪問，如果識別有問題，那么站點根本不會響應，所以為了完全模擬瀏覽器的工作，我們需要設置一些Headers 的屬性。

首先，打開我們的瀏覽器，調試瀏覽器F12，我用的是Chrome，打開網絡監聽，示意如下，比如知乎，點登錄之后，我們會發現登陸之后界面都變化了，出現一個新的界面，實質上這個頁面包含了許許多多的內容，這些內容也不是一次性就加載完成的，實質上是執行了好多次請求，一般是首先請求HTML文件，然后加載JS，CSS 等等，經過多次請求之后，網頁的骨架和肌肉全了，整個網頁的效果也就出來了。

拆分這些請求，我們只看一第一個請求，你可以看到，有個Request URL，還有headers，下面便是response，圖片顯示得不全，小伙伴們可以親身實驗一下。那么這個頭中包含了許許多多是信息，有文件編碼啦，壓縮方式啦，請求的agent啦等等。

其中，agent就是請求的身份，如果沒有寫入請求身份，那么服務器不一定會響應，所以可以在headers中設置agent,例如下面的例子，這個例子只是說明了怎樣設置的headers，小伙伴們看一下設置格式就好。

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()

這樣，我們設置了一個headers，在構建request時傳入，在請求時，就加入了headers傳送，服務器若識別了是瀏覽器發來的請求，就會得到響應。

另外，我們還有對付”反盜鏈”的方式，對付防盜鏈，服務器會識別headers中的referer是不是它自己，如果不是，有的服務器不會響應，所以我們還可以在headers中加入referer。

例如我們可以構建下面的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，在傳送請求時把headers傳入Request參數里，這樣就能應付防盜鏈了。

另外headers的一些屬性，下面的需要特別注意一下：

User-Agent : 有些服務器或 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 接口時，服務器會檢查該值，用來確定 HTTP Body 中的內容該怎樣解析。

application/xml ： 在 XML RPC，如 RESTful/SOAP 調用時使用

application/json ： 在 JSON RPC 調用時使用

application/x-www-form-urlencoded ： 瀏覽器提交 Web 表單時使用

在使用服務器提供的 RESTful 或 SOAP 服務時， Content-Type 設置錯誤會導致服務器拒絕服務

其他的有必要的可以審查瀏覽器的headers內容，在構建時寫入同樣的數據即可。

2、Proxy（代理）的設置

urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy。假如一個網站它會檢測某一段時間某個IP 的訪問次數，如果訪問次數過多，它會禁止你的訪問。所以你可以設置一些代理服務器來幫助你做工作，每隔一段時間換一個代理，網站君都不知道是誰在搗鬼了，這酸爽！

下面一段代碼說明了代理的設置用法

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 設置

上一節已經說過urlopen方法了，第三個參數就是timeout的設置，可以設置等待多久超時，為了解決一些網站實在響應過慢而造成的影響。

例如下面的代碼,如果第二個參數data為空那么要特別指定是timeout是多少，寫明形參，如果data已經傳入，則不必聲明。

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協議有六種請求方法：get、head、put、delete、post、options，我們有時候需要用到PUT方式或者DELETE方式請求。

PUT：這個方法比較少見。HTML表單也不支持這個。本質上來講， PUT和POST極為相似，都是向服務器發送數據，但它們之間有一個重要區別，PUT通常指定了資源的存放位置，而POST則沒有，POST的數據存放位置由服務器自己決定。

DELETE：刪除某一個資源。基本上這個也很少見，不過還是有一些地方比如amazon的S3云服務里面就用的這個方法來刪除資源。

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，不過用的次數的確是少，在這里提一下。

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

5、使用DebugLog

可以通過下面的方法把 Debug Log 打開，這樣收發包的內容就會在屏幕上打印出來，方便調試，這個也不太常用，僅提一下

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')

感謝各位的閱讀！關于Python2爬蟲中Urllib的使用方法就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！