前面说到了urllib2的简单入门，下面整理了一部分urllib2的使用细节。 [b]1.Proxy 的设置 [/b] urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。 如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用代理。 新建test14来实现一个简单的代理Demo： 这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。 这样后面的使用会很方便，但不能做更细致的控制，比如想在程序中使用两个不同的 Proxy 设置等。 比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。 [b]2.Timeout 设置 [/b] 在老版 Python 中（Python2.6前），urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。 在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。 [b]3.在 HTTP Request 中加入特定的 Header[/b] 要加入 header，需要使用 Request 对象： 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 [b]4.Redirect [/b] urllib2 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。 如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义HTTPRedirectHandler 类。 [b]5.Cookie [/b] urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 Cookie 项的值，可以这么做： 运行之后就会输出访问百度的Cookie值： [img]http://files.jb51.net/file_images/article/201411/201411051659403.png[/img] [b]6.使用 HTTP 的 PUT 和 DELETE 方法 [/b] urllib2 只支持 HTTP 的 GET 和 POST 方法，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： [b]7.得到 HTTP 的返回码 [/b] 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： [b]8.Debug Log [/b] 使用 urllib2 时，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，有时可以省去抓包的工作 这样就可以看到传输的数据包内容了： [img]http://files.jb51.net/file_images/article/201411/201411051659404.png[/img] [b]9.表单的处理 [/b] 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： [b]10.伪装成浏览器访问 [/b] 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 [b]11.对付"反盗链" [/b] 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。