江苏省建设工程招投标网站,十大软件app排行免费,网页微信版客户端,博罗县建设局网站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#xff0c;如果识别有问题#xff0c;那么站点根本不会响应#xff0c;所以为了完全模拟浏览器的工作#xff0c;我们需要设置一些Headers 的属性。 首先#xff0c;打开我们的浏览器#xff0c;调试浏览器F…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JSCSS 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。 1 2 3 4 5 6 7 8 9 10 11 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”反盗链”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 1 2 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 1 2 3 4 5 6 7 8 9 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。 1 2 import urllib2 response urllib2.urlopen(http://www.baidu.com, timeout10) 1 2 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。 1 2 3 4 import urllib2 request urllib2.Request(uri, datadata) 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 1 2 3 4 5 6 import urllib2 httpHandler urllib2.HTTPHandler(debuglevel1) httpsHandler urllib2.HTTPSHandler(debuglevel1) 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 转载静觅 » Python爬虫入门四之Urllib库的高级用法转载于:https://www.cnblogs.com/BigFishFly/p/6379946.html
