Python爬蟲 Urllib庫的高階用法

有些**不會同意程式直接用上面的方式進行訪問，如果識別有問題，那麼站點根本不會響應，所以為了完全模擬瀏覽器的工作，我們需要設定一些headers 的屬性。

首先，開啟我們的瀏覽器，除錯瀏覽器f12，我用的是chrome，開啟網路監聽，示意如下，比如知乎，點登入之後，我們會發現登陸之後介面都變化了，出現乙個新的介面，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載入完成的，實質上是執行了好多次請求，一般是首先請求html檔案，然後載入js，css 等等，經過多次請求之後，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，我們只看一第乙個請求，你可以看到，有個request url，還有headers，下面便是response，顯示得不全，小夥伴們可以親身實驗一下。那麼這個頭中包含了許許多多是資訊，有檔案編碼啦，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，那麼伺服器不一定會響應，所以可以在headers中設定agent,例如下面的例子，這個例子只是說明了怎樣設定的headers，小夥伴們看一下設定格式就好。

1
import
urllib  
2import
urllib2  
34 url = '
'5 user_agent = '
mozilla/4.0 (compatible; msie 5.5; windows nt)
'6 values =   
7 headers =   
8 data =urllib.urlencode(values)  
9 request =urllib2.request(url, data, headers)  
10 response =urllib2.urlopen(request)  
11 page = response.read()

這樣，我們設定了乙個headers，在構建request時傳入，在請求時，就加入了headers傳送，伺服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，對付防盜煉，伺服器會識別headers中的referer是不是它自己，如果不是，有的伺服器不會響應，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

1 headers =

同上面的方法，在傳送請求時把headers傳入request引數裡，這樣就能應付防盜煉了。

另外headers的一些屬性，下面的需要特別注意一下：

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。

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

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資料即可。

urllib2 缺省會使用環境變數 http_proxy 來設定 http proxy。假如乙個**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。所以你可以設定一些**伺服器來幫助你做工作，每隔一段時間換乙個**，**君都不知道是誰在搗鬼了，這酸爽！

下面一段**說明了**的設定用法

1
import
urllib2
2 enable_proxy =true
3 proxy_handler = urllib2.proxyhandler()
4 null_proxy_handler =urllib2.proxyhandler({})5if
enable_proxy:
6     opener =urllib2.build_opener(proxy_handler)
7else
:8     opener =urllib2.build_opener(null_proxy_handler)
9 urllib2.install_opener(opener)

例如下面的**,如果第二個引數data為空那麼要特別指定是timeout是多少，寫明形參，如果data已經傳入，則不必宣告。

1
import
urllib2
2 response = urllib2.urlopen('
', timeout=10)

1
import
urllib2
2 response = urllib2.urlopen('
',data, 10)

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表單也不支援這個。本質上來講， put和post極為相似，都是向伺服器傳送資料，但它們之間有乙個重要區別，put通常指定了資源的存放位置，而post則沒有，post的資料存放位置由伺服器自己決定。

delete：刪除某乙個資源。基本上這個也很少見，不過還是有一些地方比如amazon的s3雲服務裡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，在這裡提一下。

1
import
urllib2
2 request = urllib2.request(uri, data=data)
3 request.get_method = lambda: '
put'
#or 'delete'
4 response = urllib2.urlopen(request)

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列印出來，方便除錯，這個也不太常用，僅提一下

Python爬蟲 Urllib庫的高階用法

python爬蟲 urllib庫基本使用

python 爬蟲基礎篇 urllib庫

Python 爬蟲乾貨之urllib庫

Python爬蟲 Urllib庫的高階用法

python爬蟲 urllib庫基本使用

python 爬蟲基礎篇 urllib庫

Python 爬蟲乾貨之urllib庫

相關推薦