Python爬虫入门三之Urllib库的高级用法

　　1. 设置 Headers
　　有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些 Headers 的属性。 首先，打开我们的浏览器，调试浏览器 F12，我用的是 Chrome，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，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，实质上是执行了好多次请求，一般是首先请求 HTML 文件，然后加载 JS，CSS 等等，经过多次请求之后，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，我们只看一第一个请求，你可以看到，有个 Request URL，还有 headers，下面便是 response，图片显示得不全，小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息，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，如果没有写入请求身份，那么服务器不一定会响应，所以可以在 headers 中设置 agent, 例如下面的例子，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，我们设置了一个 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，就会得到响应。 另外，我们还有 对付＂ 防盗链＂  的方式，对付防盗链，服务器会识别 headers 中的 referer 是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在 headers 中加入 referer 例如我们可以构建下面的 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，下面的需要特别注意一下：
　　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。 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
　　其他的有必要的可以审查浏览器的 headers 内容，在构建时写入同样的数据即可。 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，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，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，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。 例如下面的代码，如果第二个参数 data 为空那么要特别指定是 timeout 是多少，写明形参，如果 data 已经传入，则不必声明。 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，我们有时候需要用到 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。本质上来讲， PUT 和 POST 极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT 通常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自己决定。 DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如 amazon 的 S3 云服务里面就用的这个方法来删除资源。
　　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，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
　　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，这个也不太常用，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＂)
　　以上便是一部分高级特性，前三个是重要内容，在后面，还有 cookies 的设置还有异常的处理，小伙伴们加油哦！