Python爬虫设置Headers

Python设置Headers

?

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 3 4

headers = {     'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',     'Referer': 'http://www.zhihu.com/articles' }

另外headers的一些属性，下面的需要特别注意一下：

1. 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
2. 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。
3. application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
4. application/json ： 在 JSON RPC 调用时使用
5. application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用
6. 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

 异常抛出

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

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)    try:    response = urllib2.urlopen(request)  except urllib2.HTTPError, e:     print e.code     print e.reason       page = response.read()