零基础写python爬虫之urllib2使用指南

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：

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) 

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。

import urllib2 
import socket 
socket.setdefaulttimeout(10) # 10 秒钟后超时 
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。

import urllib2 
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：

import urllib2 
request = urllib2.request('http://www.baidu.com/') 
request.add_header('user-agent', 'fake-client') 
response = urllib2.urlopen(request) 
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。

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 

如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义httpredirecthandler 类。

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') 

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：

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 

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：

import urllib2 
request = urllib2.request(uri, data=data) 
request.get_method = lambda: 'put' # or 'delete' 
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：

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

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') 

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：

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

#… 
 
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 
) 
#... 

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。