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)

這里要注意的一個(gè)細(xì)節(jié)，使用 urllib2.install_opener() 會(huì)設(shè)置 urllib2 的全局 opener 。這樣后面的使用會(huì)很方便，但不能做更細(xì)致的控制，比如想在程序中使用兩個(gè)不同的 Proxy 設(shè)置等。比較好的做法是不使用 install_opener 去更改全局的設(shè)置，而只是直接調(diào)用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 設(shè)置

在老版 Python 中（Python2.6前），urllib2 的 API 并沒有暴露 Timeout 的設(shè)置，要設(shè)置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

import urllib2  
import socket  
socket.setdefaulttimeout(10) # 10 秒鐘后超時(shí)  
urllib2.socket.setdefaulttimeout(10) # 另一種方式

在 Python 2.6 以后，超時(shí)可以通過(guò) urllib2.urlopen() 的 timeout 參數(shù)直接設(shè)置。

import urllib2  
response = urllib2.urlopen('http://www.google.com', timeout=10)

在 HTTP Request 中加入特定的 Header

要加入 header，需要使用 Request 對(duì)象：

import urllib2  
request = urllib2.Request('http://www.baidu.com/')  
request.add_header('User-Agent', 'fake-client')  
response = urllib2.urlopen(request)  
print response.read()

對(duì)有些 header 要特別留意，服務(wù)器會(huì)針對(duì)這些 header 做檢查

User-Agent : 有些服務(wù)器或 Proxy 會(huì)通過(guò)該值來(lái)判斷是否是瀏覽器發(fā)出的請(qǐng)求
Content-Type : 在使用 REST 接口時(shí)，服務(wù)器會(huì)檢查該值，用來(lái)確定 HTTP Body 中的內(nèi)容該怎樣解析。常見的取值有：
application/xml ：在 XML RPC，如 RESTful/SOAP 調(diào)用時(shí)使用
application/json ：在 JSON RPC 調(diào)用時(shí)使用
application/x-www-form-urlencoded ：瀏覽器提交 Web 表單時(shí)使用

在使用服務(wù)器提供的 RESTful 或 SOAP 服務(wù)時(shí)， Content-Type 設(shè)置錯(cuò)誤會(huì)導(dǎo)致服務(wù)器拒絕服務(wù)

Redirect

urllib2 默認(rèn)情況下會(huì)針對(duì) HTTP 3XX 返回碼自動(dòng)進(jìn)行 redirect 動(dòng)作，無(wú)需人工配置。要檢測(cè)是否發(fā)生了 redirect 動(dòng)作，只要檢查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

import urllib2  
my_url = 'http://www.google.cn'  
response = urllib2.urlopen(my_url)  
redirected = response.geturl() == my_url  
print redirected  

my_url = 'http://rrurl.cn/b1UZuP'  
response = urllib2.urlopen(my_url)  
redirected = response.geturl() == my_url  
print redirected

如果不想自動(dòng) redirect，除了使用更低層次的 httplib 庫(kù)之外，還可以自定義HTTPRedirectHandler 類。

import urllib2  
class RedirectHandler(urllib2.HTTPRedirectHandler):  
    def http_error_301(self, req, fp, code, msg, headers):  
        print "301"  
        pass  
    def http_error_302(self, req, fp, code, msg, headers):  
        print "303"  
        pass  

opener = urllib2.build_opener(RedirectHandler)  
opener.open('http://rrurl.cn/b1UZuP')

Cookie

urllib2 對(duì) Cookie 的處理也是自動(dòng)的。如果需要得到某個(gè) Cookie 項(xiàng)的值，可以這么做：

import urllib2  
import cookielib  
cookie = cookielib.CookieJar()  
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
response = opener.open('http://www.baidu.com')  
for item in cookie:  
    print 'Name = '+item.name  
    print 'Value = '+item.value

運(yùn)行之后就會(huì)輸出訪問(wèn)百度的 Cookie 值：

http://wiki.jikexueyuan.com/project/python-crawler/images/4.png" alt="" />

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 ，只能使用比較低層的 httplib 庫(kù)。雖然如此，我們還是能通過(guò)下面的方式，使 urllib2 能夠發(fā)出 PUT 或DELETE 的請(qǐng)求：

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

得到 HTTP 的返回碼

對(duì)于 200 OK 來(lái)說(shuō)，只要使用 urlopen 返回的 response 對(duì)象的 getcode() 方法就可以得到 HTTP 的返回碼。但對(duì)其它返回碼來(lái)說(shuō)，urlopen 會(huì)拋出異常。這時(shí)候，就要檢查異常對(duì)象的 code 屬性了：

import urllib2  
try:  
    response = urllib2.urlopen('http://bbs.csdn.net/why')  
except urllib2.HTTPError, e:  
    print e.code

Debug Log

使用 urllib2 時(shí)，可以通過(guò)下面的方法把 debug Log 打開，這樣收發(fā)包的內(nèi)容就會(huì)在屏幕上打印出來(lái)，方便調(diào)試，有時(shí)可以省去抓包的工作

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.google.com')

這樣就可以看到傳輸?shù)臄?shù)據(jù)包內(nèi)容了：

http://wiki.jikexueyuan.com/project/python-crawler/images/5.png" alt="" />

表單的處理

登錄必要填表，表單怎么填？

首先利用工具截取所要填表的內(nèi)容。比如我一般用 firefox+httpfox 插件來(lái)看看自己到底發(fā)送了些什么包。以 verycd 為例，先找到自己發(fā)的 POST 請(qǐng)求，以及 POST 表單項(xiàng)?？梢钥吹?verycd 的話需要填 username，password，continueURI，fk，login_submit這幾項(xiàng)，其中fk是隨機(jī)生成的（其實(shí)不太隨機(jī)，看上去像是把 epoch 時(shí)間經(jīng)過(guò)簡(jiǎn)單的編碼生成的），需要從網(wǎng)頁(yè)獲取，也就是說(shuō)得先訪問(wèn)一次網(wǎng)頁(yè)，用正則表達(dá)式等工具截取返回?cái)?shù)據(jù)中的 fk 項(xiàng)。continueURI 顧名思義可以隨便寫，login_submit是固定的，這從源碼可以看出。還有 username，password 那就很顯然了：

# -*- coding: utf-8 -*-  
import urllib  
import urllib2  
postdata=urllib.urlencode({  
    'username':'汪小光',  
    'password':'why888',  
    'continueURI':'http://www.verycd.com/',  
    'fk':'',  
    'login_submit':'登錄'  
})  
req = urllib2.Request(  
    url = 'http://secure.verycd.com/signin',  
    data = postdata  
)  
result = urllib2.urlopen(req)  
print result.read()

偽裝成瀏覽器訪問(wèn)

某些網(wǎng)站反感爬蟲的到訪，于是對(duì)爬蟲一律拒絕請(qǐng)求。這時(shí)候我們需要偽裝成瀏覽器，這可以通過(guò)修改 http 包中的 header 來(lái)實(shí)現(xiàn)。

\#…  

headers = {  
    'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
}  
req = urllib2.Request(  
    url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
    data = postdata,  
    headers = headers  
)  
\#...

對(duì)付"反盜鏈"

某些站點(diǎn)有所謂的反盜鏈設(shè)置，其實(shí)說(shuō)穿了很簡(jiǎn)單，就是檢查你發(fā)送請(qǐng)求的 header 里面，referer 站點(diǎn)是不是他自己，所以我們只需要像把 headers 的 referer 改成該網(wǎng)站即可，以 cnbeta 為例：

\#...
headers = {
    'Referer':'http://www.cnbeta.com/articles'
}
\#...

headers 是一個(gè) dict 數(shù)據(jù)結(jié)構(gòu)，你可以放入任何想要的 header，來(lái)做一些偽裝。例如，有些網(wǎng)站喜歡讀取 header 中的 X-Forwarded-For 來(lái)看看人家的真實(shí) IP，可以直接把 X-Forwarde-For 改了。

上一篇：爬蟲框架 Scrapy 的第一個(gè)爬蟲示例入門教程下一篇：Opener 與 Handler 的介紹和實(shí)例應(yīng)用

在线观看不卡亚洲电影_亚洲妓女99综合网_91青青青亚洲娱乐在线观看_日韩无码高清综合久久

urllib2 的使用細(xì)節(jié)與抓站技巧

Proxy 的設(shè)置