芝麻HTTP：Python爬虫入门之Urllib库的高级用法

1.设置Headers

有些网站不会赞成程序直接用上面的方式进行访问，若是识别有问题，那么站点根本不会响应，因此为了彻底模拟浏览器的工做，咱们须要设置一些Headers 的属性。

首先，打开咱们的浏览器，调试浏览器F12，我用的是Chrome，打开网络监听，示意以下，好比知乎，点登陆以后，咱们会发现登录以后界面都变化了，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，实质上是执行了好屡次请求，通常是首先请求HTML文件，而后加载JS，CSS 等等，通过屡次请求以后，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，咱们只看一第一个请求，你能够看到，有个Request URL，还有headers，下面即是response，图片显示得不全，小伙伴们能够亲身实验一下。那么这个头中包含了许许多可能是信息，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，若是没有写入请求身份，那么服务器不必定会响应，因此能够在headers中设置agent,例以下面的例子，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。

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，咱们设置了一个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，就会获得响应。

另外，咱们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是否是它本身，若是不是，有的服务器不会响应，因此咱们还能够在headers中加入referer

例如咱们能够构建下面的headers

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headers传入Request参数里，这样就能应付防盗链了。

另外headers的一些属性，下面的须要特别注意一下：

User-Agent : 有些服务器或 Proxy 会经过该值来判断是不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，用来肯定 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 设置错误会致使服务器拒绝服务

其余的有必要的能够审查浏览器的headers内容，在构建时写入一样的数据便可。

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，若是访问次数过多，它会禁止你的访问。因此你能够设置一些代理服务器来帮助你作工做，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

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，能够设置等待多久超时，为了解决一些网站实在响应过慢而形成的影响。

例以下面的代码,若是第二个参数data为空那么要特别指定是timeout是多少，写明形参，若是data已经传入，则没必要声明。

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

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，咱们有时候须要用到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。本质上来说， PUT和POST极为类似，都是向服务器发送数据，但它们之间有一个重要区别，PUT一般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本身决定。
DELETE：删除某一个资源。基本上这个也不多见，不过仍是有一些地方好比amazon的S3云服务里面就用的这个方法来删除资源。

若是要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，咱们仍是能经过下面的方式，使 urllib2 可以发出 PUT 或DELETE 的请求，不过用的次数的确是少，在这里提一下。

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

5.使用DebugLog

能够经过下面的方法把 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，这个也不太经常使用，仅提一下

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')