[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：

[python] view plain copy

1. import urllib2  
2. enable_proxy = True  
3. proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})  
4. null_proxy_handler = urllib2.ProxyHandler({})  
5. if enable_proxy:  
6.     opener = urllib2.build_opener(proxy_handler)  
7. else:  
8.     opener = urllib2.build_opener(null_proxy_handler)  
9. 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。

[python] view plain copy

1. import urllib2  
2. import socket  
3. socket.setdefaulttimeout(10) # 10 秒钟后超时  
4. 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。

[python] view plain copy

1. import urllib2  
2. response = 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：

[python] view plain copy

1. import urllib2  
2. request = urllib2.Request('http://www.baidu.com/')  
3. request.add_header('User-Agent', 'fake-client')  
4. response = urllib2.urlopen(request)  
5. 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.Redirect
urllib2 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。

[python] view plain copy

1. import urllib2  
2. my_url = 'http://www.google.cn'  
3. response = urllib2.urlopen(my_url)  
4. redirected = response.geturl() == my_url  
5. print redirected  
6.   
7. my_url = 'http://rrurl.cn/b1UZuP'  
8. response = urllib2.urlopen(my_url)  
9. redirected = response.geturl() == my_url  
10. print 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。

[python] view plain copy

1. import urllib2  
2. class RedirectHandler(urllib2.HTTPRedirectHandler):  
3.     def http_error_301(self, req, fp, code, msg, headers):  
4.         print "301"  
5.         pass  
6.     def http_error_302(self, req, fp, code, msg, headers):  
7.         print "303"  
8.         pass  
9.   
10. opener = urllib2.build_opener(RedirectHandler)  
11. 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：

[python] view plain copy

1. import urllib2  
2. import cookielib  
3. cookie = cookielib.CookieJar()  
4. opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))  
5. response = opener.open('http://www.baidu.com')  
6. for item in cookie:  
7.     print 'Name = '+item.name  
8.     print '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：

[python] view plain copy

1. import urllib2  
2. request = urllib2.Request(uri, data=data)  
3. request.get_method = lambda: 'PUT' # or 'DELETE'  
4. 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：

[python] view plain copy

1. import urllib2  
2. try:  
3.     response = urllib2.urlopen('http://bbs.csdn.net/why')  
4. except urllib2.HTTPError, e:  
5.     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

[python] view plain copy

1. import urllib2  
2. httpHandler = urllib2.HTTPHandler(debuglevel=1)  
3. httpsHandler = urllib2.HTTPSHandler(debuglevel=1)  
4. opener = urllib2.build_opener(httpHandler, httpsHandler)  
5. urllib2.install_opener(opener)  
6. 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？

首先利用工具截取所要填表的内容。
比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包。
以verycd为例，先找到自己发的POST请求，以及POST表单项。
可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了：

[python] view plain copy

1. # -*- coding: utf-8 -*-  
2. import urllib  
3. import urllib2  
4. postdata=urllib.urlencode({  
5.     'username':'汪小光',  
6.     'password':'why888',  
7.     'continueURI':'http://www.verycd.com/',  
8.     'fk':'',  
9.     'login_submit':'登录'  
10. })  
11. req = urllib2.Request(  
12.     url = 'http://secure.verycd.com/signin',  
13.     data = postdata  
14. )  
15. result = urllib2.urlopen(req)  
16. print result.read()   

10.伪装成浏览器访问
某些网站反感爬虫的到访，于是对爬虫一律拒绝请求
这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现

[python] view plain copy

1. #…  
2.   
3. headers = {  
4.     'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'  
5. }  
6. req = urllib2.Request(  
7.     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',  
8.     data = postdata,  
9.     headers = headers  
10. )  
11. #...  

11.对付"反盗链"
某些站点有所谓的反盗链设置，其实说穿了很简单，

就是检查你发送请求的header里面，referer站点是不是他自己，

所以我们只需要像把headers的referer改成该网站即可，以cnbeta为例：

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

headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。

例如，有些网站喜欢读取header中的X-Forwarded-For来看看人家的真实IP，可以直接把X-Forwarde-For改了。