[Python]网络爬虫（五）：抓站经验技巧

注意：以下代码用python3.4编写

1.Timeout 设置

      Timeout设置是为了防止url不可访问，或者响应速度太慢而造成的时间浪费。
      比如，你要爬取1000个网站，如果有100个需要30s才能返回数据，你等待他们返回的话就需要3000s了，如果你设置10s超时，那么就能知道最长需要多久1000个可以爬完。

     超时可以通过 urllib.request.urlopen() 的 timeout 参数直接设置。

import urllib.request
urllib.request.urlopen("http://www.baidu.com",timeout=10)

2.在 HTTP Request 中加入特定的 Header

        要加入 header，需要使用 Request 对象：

import urllib
import urllib.request
request = urllib.request.Request('http://www.baidu.com/')  
request.add_header('User-Agent', 'fake-client')  
response = urllib.request.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
3.Redirect

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 urllib
import urllib.request
url='http://www.baidu.com/'  
response = urllib.request.urlopen(url)
redirected=response.geturl()==url;
print (redirected) 

url="http://dwz.cn/1UQjc"
response = urllib.request.urlopen(url)
redirected=response.geturl()==url;
print (redirected) 

4.Cookie

如果需要得到某个 Cookie 项的值，可以这么做：

import urllib.request as  request  
import http.cookiejar   
  
cookie = http.cookiejar.LWPCookieJar()  
opener = request.build_opener(request.HTTPCookieProcessor(cookie))  
url = 'http://www.baidu.com'  
response = opener.open(url)  
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：

name= BAIDUID
value= 9EDA79CDEE2BC9BA71A6989F042994C5:FG=1
name= BIDUPSID
value= 9EDA79CDEE2BC9BA71A6989F042994C5
name= H_PS_PSSID
value= 11194_13328_1422_13074_10902_10212_12868_13322_12691_13410_8502_12723_12736_13086_13430_13325_13203_12836_13161_13257_8498_10634
name= BDSVRTM
value= 0
name= BD_HOME
value= 0

5.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 urllib.request as request
try:  
    response = request.urlopen('http://blog.csdn.net/a359680405')  
except request.HTTPError as e:  
    print(e.code)  

6. 处理异常 URLError, HTTPError

import urllib.request as  request  
import urllib.error as error  
url = 'http://www.baidu.com'  
flag = 1  
try:  
    req=request.urlopen(url)  
except (error.URLError,error.HTTPError) as e:  
    print('URLError')  
    flag = 0  
if flag == 1:  
    print("Successful connection","status:"+str(req.status), req.reason)  
else:  
    print("Connection Failed")  

7.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：

import urllib.parse as parse  
import urllib.request as request
postdata=parse.urlencode({  
    'username':'汪小光',  
    'password':'why888',  
    'continueURI':'http://www.verycd.com/',  
    'fk':'',  
    'login_submit':'登录'  
}).encode("utf-8")
req = request.Request(  
    url = 'http://secure.verycd.com/signin',  
    data = postdata  
)  
res = request.urlopen(req)  
print (res.read().decode("utf-8"))   

8.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 = urllib.request.Request(
     url = 'http://secure.verycd.com/signin/*/http://www.verycd.com/',
     data = postdata,
     headers = headers
 )
 #...

9.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。