網路爬蟲（五）：urllib2的使用細節與抓站技巧

letflyFYF發表於2014-09-17
爬蟲

上一章我們瞭解了urllib2的兩個重要概念，本章我們將深入瞭解urllib2


1.Proxy的設定

urllib2預設會使用環境變數http_proxy來設定HTTP Proxy

如果想在程式中明確控制Proxy而不受環境變數的影響，可以使用代理。

新建test14來實現一個簡單的代理Demo：

[python] view plaincopy
  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) 

這裡要注意的一個細節，使用urllib2.install_opener()會設定urllib2的全域性opener。

這樣後面的使用會很方便，但不能做更細緻的控制，比如像在程式中使用兩個不同的Proxy設定等。

比較好的做法是不使用install_opener去更改全域性的設定，而只是直接呼叫opener的open方法代替全域性的urlopen方法。


2.Timeout設定

在老版Python中（Python2.6前），urllib2的

API並沒有暴露Timeout的設定，要設定Timeout值，只能更改Socket的全域性Timeout值。

[python] view plaincopy
  1. import urllib2  
  2. import socket  
  3. socket.setdefaulttimeout(10) # 10 秒鐘後超時  
  4. urllib2.socket.setdefaulttimeout(10) # 另一種方式 

在Python2.6以後，超市可以通過urllib2.urlopen()的Timeout引數直接設定

[python] view plaincopy
  1. import urllib2  
  2. response = urllib2.urlopen('http://www.google.com', timeout=10)

3.HTTP Request中加入特定的Header

要加入header，需要使用Request物件：

[python] view plaincopy
  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() 
對有些header要特別留意，伺服器會針對這些header做檢查

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。常見的取值有：

application/xml：在XML RPC，如RESTful/SOAP呼叫時使用

application/json：在JSON RPC呼叫時使用

application/x-www-form-urlencoded：瀏覽器提交Web表單時使用

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。


4.Redirect

urllib2預設情況下會針對HTTP 3XX返回碼自動進行redirect動作，無需人工配置。

要檢測是否發生了redirect動作，只要檢查一下Resonse的URL和Request的URL是否一致就可以了。

[python] view plaincopy
  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 
執行結果：



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

[python] view plaincopy
  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對Cookie的處理也是自動的。如果需要得到某個Cookie項的值，可以這麼做：

[python] view plaincopy
  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 


6.使用HTTP的PUT和DELETE方法

urllib2只支援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。

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：

[python] view plaincopy
  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的返回碼

對於200 OK來說，只要使用urlopen返回的response物件的getcode()方法就可以得到HTTP的返回碼。

但對其他返回馬來說，urlopen會丟擲異常。這時候，就要檢查異常物件的code屬性了：

[python] view plaincopy
  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時，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，有時可以省去抓包工作

[python] view plaincopy
  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') 


9.表單的處理

登入必要填表，表單怎麼填？

首先利用工具擷取所要填表的內容。

比如我一般用firefox_httpfox外掛來看看自己到底傳送了些什麼包。

以verycd為例，先找到自己發的POST請求，以及POST表單項。

可以看到verycd的話需要填username,password,continueURL,fk,login_submit這幾項，其中fk是隨機生成的（其實不太隨機，看上去像是把epoch時間經過簡單的編碼生成的），需要從網頁獲取，也就是說得先訪問一次網頁，用正規表示式等工具擷取返回資料中的fk項。

continueURI顧名思義可以隨便寫，login_submit是固定的，這從原始碼可以看出。還有username,password那就很顯然了：

[python] view plaincopy
  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':'登入'  
  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.偽裝成瀏覽器

某些網站反感爬蟲的到訪，於是對爬蟲一律拒絕請求

這時候我們需要偽裝成瀏覽器，這可以通過修改http包中的header來實現

[python] view plaincopy
  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.對付“反盜鏈”

某些站點有所謂的反盜鏈設定，其實說穿了很簡單，

就是檢查你傳送請求的header裡面，referer站點是不是他自己，

所以我們只需要像把headers的referer改成該網站即可，以cnbeta為例：

#...
headers = {
    'Referer':'http://www.cnbeta.com/articles'
}
#...
headers是一個dict資料結構，你可以放入任何想要的header，來做一些偽裝。

例如：有些網站喜歡讀取header中的X-Forwarded-For來看看人家的真實IP，可以直接把X-Forwarded-For改了。

相關文章