## 1.設置Headers
有些網站不會同意程序直接用上面的方式進行訪問,如果識別有問題,那么站點根本不會響應,所以為了完全模擬瀏覽器的工作,我們需要設置一些Headers 的屬性。
首先,打開我們的瀏覽器,調試瀏覽器F12,我用的是Chrome,打開網絡監聽,示意如下,比如知乎,點登錄之后,我們會發現登陸之后界面都變化 了,出現一個新的界面,實質上這個頁面包含了許許多多的內容,這些內容也不是一次性就加載完成的,實質上是執行了好多次請求,一般是首先請求HTML文 件,然后加載JS,CSS 等等,經過多次請求之后,網頁的骨架和肌肉全了,整個網頁的效果也就出來了。
[](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/02/2015-02-13-013155-%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE-e1423762350360.png)
拆分這些請求,我們只看一第一個請求,你可以看到,有個Request URL,還有headers,下面便是response,圖片顯示得不全,小伙伴們可以親身實驗一下。那么這個頭中包含了許許多多是信息,有文件編碼啦,壓縮方式啦,請求的agent啦等等。
其中,agent就是請求的身份,如果沒有寫入請求身份,那么服務器不一定會響應,所以可以在headers中設置agent,例如下面的例子,這個例子只是說明了怎樣設置的headers,小伙伴們看一下設置格式就好。
~~~
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()
~~~
這樣,我們設置了一個headers,在構建request時傳入,在請求時,就加入了headers傳送,服務器若識別了是瀏覽器發來的請求,就會得到響應。
另外,我們還有**對付”反盜鏈”**的方式,對付防盜鏈,服務器會識別headers中的referer是不是它自己,如果不是,有的服務器不會響應,所以我們還可以在headers中加入referer
例如我們可以構建下面的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,在傳送請求時把[head]ers傳入Request參數里,這樣就能應付防盜鏈了。
另外headers的一些屬性,下面的需要特別注意一下:
> User-Agent : 有些服務器或 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 接口時,服務器會檢查該值,用來確定 HTTP Body 中的內容該怎樣解析。
> application/[xml]?: 在 XML RPC,如 RESTful/SOAP 調用時使用
> application/json : 在 JSON RPC 調用時使用
> application/x-www-form-urlencoded : 瀏覽器提交 Web 表單時使用
> 在使用服務器提供的 RESTful 或 SOAP 服務時, Content-Type 設置錯誤會導致服務器拒絕服務
其他的有必要的可以審查瀏覽器的headers內容,在構建時寫入同樣的數據即可。
## **2\. Proxy(代理)的設置**
urllib2 默認會使用[環境變量]?http_proxy 來設置 HTTP Proxy。假如一個網站它會[檢測]某一段時間某個IP 的訪問次數,如果訪問次數過多,它會禁止你的訪問。所以你可以設置一些[代理服務器]來幫助你做工作,每隔一段時間換一個代理,網站君都不知道是誰在搗鬼了,這酸爽!
下面一段代碼說明了[代理]的設置用法
~~~
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 設置**
上一節已經說過urlopen方法了,第三個參數就是timeout的設置,可以設置等待多久超時,為了解決一些網站實在響應過慢而造成的影響。
例如下面的代碼,如果第二個參數[data]為空那么要特別指定是timeout是多少,寫明形參,如果data已經傳入,則不必[聲明]。
~~~
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協議有六種請求方法,get,[head],put,delete,post,options,我們有時候需要用到PUT方式或者DELETE方式請求。
> PUT:這個方法比較少見。HTML表單也不支持這個。本質上來講, PUT和POST極為相似,都是向服務器發送數據,但它們之間有一個重要區別,PUT通常指定了資源的存放位置,而POST則沒有,POST的數據存放位置由服務器自己決定。
> DELETE:刪除某一個資源。基本上這個也很少見,不過還是有一些地方比如amazon的S3云服務里面就用的這個方法來刪除資源。
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,不過用的次數的確是少,在這里提一下。
~~~
import urllib2
request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)
~~~
## 5.使用DebugLog
可以通過下面的方法把 Debug Log 打開,這樣收發包的內容就會在屏幕上打印出來,方便調試,這個也不太常用,僅提一下
~~~
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')
~~~
以上便是一部分高級特性,前三個是重要內容,在后面,還有cookies的設置還有異常的處理,小伙伴們加油!
- Python爬蟲入門
- (1):綜述
- (2):爬蟲基礎了解
- (3):Urllib庫的基本使用
- (4):Urllib庫的高級用法
- (5):URLError異常處理
- (6):Cookie的使用
- (7):正則表達式
- (8):Beautiful Soup的用法
- Python爬蟲進階
- Python爬蟲進階一之爬蟲框架概述
- Python爬蟲進階二之PySpider框架安裝配置
- Python爬蟲進階三之Scrapy框架安裝配置
- Python爬蟲進階四之PySpider的用法
- Python爬蟲實戰
- Python爬蟲實戰(1):爬取糗事百科段子
- Python爬蟲實戰(2):百度貼吧帖子
- Python爬蟲實戰(3):計算大學本學期績點
- Python爬蟲實戰(4):模擬登錄淘寶并獲取所有訂單
- Python爬蟲實戰(5):抓取淘寶MM照片
- Python爬蟲實戰(6):抓取愛問知識人問題并保存至數據庫
- Python爬蟲利器
- Python爬蟲文章
- Python爬蟲(一)--豆瓣電影抓站小結(成功抓取Top100電影)
- Python爬蟲(二)--Coursera抓站小結
- Python爬蟲(三)-Socket網絡編程
- Python爬蟲(四)--多線程
- Python爬蟲(五)--多線程續(Queue)
- Python爬蟲(六)--Scrapy框架學習
- Python爬蟲(七)--Scrapy模擬登錄
- Python筆記
- python 知乎爬蟲
- Python 爬蟲之——模擬登陸
- python的urllib2 模塊解析
- 蜘蛛項目要用的數據庫操作
- gzip 壓縮格式的網站處理方法
- 通過瀏覽器的調試得出 headers轉換成字典
- Python登錄到weibo.com
- weibo v1.4.5 支持 RSA協議(模擬微博登錄)
- 搭建Scrapy爬蟲的開發環境
- 知乎精華回答的非專業大數據統計
- 基于PySpider的weibo.cn爬蟲
- Python-實現批量抓取妹子圖片
- Python庫
- python數據庫-mysql
- 圖片處理庫PIL
- Mac OS X安裝 Scrapy、PIL、BeautifulSoup
- 正則表達式 re模塊
- 郵件正則
- 正則匹配,但過濾某些字符串
- dict使用方法和快捷查找
- httplib2 庫的使用