Python爬蟲（三）Urllib庫的高級用法

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，那麼站點根本不會響應，所以爲了完全模擬瀏覽器的工作，我們需要設置一些Headers 的屬性。

可以打開Chrome瀏覽器，調試瀏覽器F12，打開網絡監聽，嘗試登陸知乎，會發現登陸之後界面都變化了，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，整個網頁的效果纔出來。
拆分這些請求，我們只看一第一個登陸請求，可以看到有個Request URL，還有headers，下面便是response，這個頭中包含了很多信息，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，那麼服務器不一定會響應，所以可以在headers中設置agent,例如下面這樣設置headers, 這個例子只是說明了怎樣設置headers。

import urllib.request

url = 'https://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.parse.urlencode(values) 
req = urllib.request.Request(url,data,headers)
response = urllib.request.urlopen(req) 
page = response.read() 
print(page.decode("utf8"))

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”防盜鏈”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headers傳入Request參數裏，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。

1. Proxy（代理）的設置

urllib 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，下面一段代碼說明了代理的設置用法：

import urllib.request
enable_proxy = True
proxy_handler = urllib.request.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib.request.ProxyHandler({})
if enable_proxy:
    opener = urllib.request.build_opener(proxy_handler)
else:
    opener = urllib.request.build_opener(null_proxy_handler)
urllib.request.install_opener(opener)