[Python]网络爬虫（五）：urllib2的使用细节与抓站技巧

前面说到了urllib2的简单入门，下面整理了一部分urllib2的使用细节。

1.Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。

如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用代理。

新建test14来实现一个简单的代理Demo：

import urllib2enable_proxy = Trueproxy_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)

这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。

这样后面的使用会很方便，但不能做更细致的控制，比如想在程序中使用两个不同的 Proxy 设置等。

比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

2.Timeout 设置在老版 Python 中（Python2.6前），urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。import urllib2import socketsocket.setdefaulttimeout(10) # 10 秒钟后超时urllib2.socket.setdefaulttimeout(10) # 另一种方式在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。import urllib2response = urllib2.urlopen(‘http://www.google.com’, timeout=10)

3.在 HTTP Request 中加入特定的 Header

要加入 header，需要使用 Request 对象：import urllib2request = urllib2.Request(‘http://www.baidu.com/’)request.add_header(‘User-Agent’, ‘fake-client’)response = urllib2.urlopen(request)print response.read()对有些 header 要特别留意，服务器会针对这些 header 做检查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。常见的取值有：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

4.Redirecturllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作，无需人工配置。要检测是否发生了 redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。import urllib2my_url = ‘http://www.google.cn’response = urllib2.urlopen(my_url)redirected = response.geturl() == my_urlprint redirectedmy_url = ‘http://rrurl.cn/b1UZuP’response = urllib2.urlopen(my_url)redirected = response.geturl() == my_urlprint redirected如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义HTTPRedirectHandler 类。import urllib2class RedirectHandler(urllib2.HTTPRedirectHandler):def http_error_301(self, req, fp, code, msg, headers):print "301"passdef http_error_302(self, req, fp, code, msg, headers):print "303"passopener = urllib2.build_opener(RedirectHandler)opener.open(‘http://rrurl.cn/b1UZuP’)

5.Cookie

urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 Cookie 项的值，可以这么做：import urllib2import cookielibcookie = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))response = opener.open(‘http://www.baidu.com’)for item in cookie:print ‘Name = ‘+item.nameprint ‘Value = ‘+item.value

运行之后就会输出访问百度的Cookie值：

6.使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法，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：import urllib2request = urllib2.Request(uri, data=data)request.get_method = lambda: ‘PUT’ # or ‘DELETE’response = urllib2.urlopen(request)

7.得到 HTTP 的返回码

对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：import urllib2try:response = urllib2.urlopen(‘http://bbs.csdn.net/why’)except urllib2.HTTPError, e:print e.code

8.Debug Log

使用 urllib2 时，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，有时可以省去抓包的工作import urllib2httpHandler = urllib2.HTTPHandler(debuglevel=1)httpsHandler = urllib2.HTTPSHandler(debuglevel=1)opener = urllib2.build_opener(httpHandler, httpsHandler)urllib2.install_opener(opener)response = urllib2.urlopen(‘http://www.google.com’)

这样就可以看到传输的数据包内容了：

9.表单的处理

登录必要填表，表单怎么填？

成功是奋斗的结果，而奋斗是成功的必经之路。