Python爬虫学习之：Urllib库的高级用法
来自： http://dataunion.org/22431.html
原文出处： 崔庆才的博客（@崔庆才丨静觅）
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。
Python
| 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
Python
| 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 head ers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
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，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
Python
| 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 。
Python
| import urllib2 response = urllib2 . urlopen ( ‘http://www.baidu.com’ , timeout = 10 ) |
Python
| 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。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，不过用的次数的确是少，在这里提一下。
Python
| 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，这个也不太常用，仅提一下
Python
| 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’ ) |
以上便是一部分高级特性，前三个是重要内容，在后面，还有cookies的设置还有异常的处理，小伙伴们加油！
</div>