Python——爬虫入门|Python——爬虫入门 Urllib库的进阶 Python——爬虫入门Urllib库的进

上一篇文章我们简单讲解了Urllib库的基础用法，包括如何获取请求之后的页面响应，如何使用POST请求上传数据，今天我们就来讲讲Urllib库的几个进阶用法。
Headers: 我们先讨论关于请求头的使用，如何构造HTTP-Headers。我们先进入Chrome浏览器打开调试模式，

文章图片
在network一栏中找到Headers，在里面我们能看到Request Headers，这就是我们发送当前页面请求所用的请求头。其中User-Agent就是请求的身份，如果没有写入这个信息，那么有可能初级的反爬虫策略就会识别我们不是基于浏览器的请求，这次的请求就不会被响应了。
所以我们今天的第一段代码就是展示如何构造这个User-Agent的请求头：

import urllib import urllib2 url = 'http://originalix.github.io/#blog' user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36' headers = { 'User-Agent' : user_agent } request = urllib2.Request(url, None, headers) response = urllib2.urlopen(request) html = response.read() print html

上面的代码中的请求，我们就构造了一个携带携带User-Agent字段的请求，以后如果没有响应的页面，可要记得检查检查是不是忘记了在请求头里做文章了。
URLError： 【Python——爬虫入门|Python——爬虫入门 Urllib库的进阶】通常，URLError被抛出是因为网络请求出现了错误，比如服务器访问错误，或者访问的站点不存在，在这种情况下都会抛出一个URLError,这个错误是一个包含着reason和code的元组，分别对应着错误消息和错误代码。我们可以用try/except语句来捕获异常，例如:

# URLError import urllib2req = urllib2.Request = ('http://www.lixxxxxxxx.com') try: urllib2.urlopen(req) except urllib2.URLError as e : print e.reason

在接触URLError之前，大家一定更早的接触过HTTPError，每个来自服务器的HTTP应答都会携带着一个包含数值的状态码，例如我们耳熟能详的200、404(页面丢失)、403(请求被禁止)等等。HTTPError的异常实例拥有一个整型的code属性。

# 同时处理HTTPError和URLErrorimport urllib2url = 'http://www.lixxxxxxxx.com' req = urllib2.Request(url) try: response = urllib2.urlopen(req) except urllib2.HTTPError as e: print e.code print 'we can not fulfill the request \n' except urllib2.URLError as e: print e.reason print 'we can not reach a server' else: print('No problem')

上面的代码是一个同时处理HTTPError和URLError的例子，记得一定要把HTTPError放在前面处理，因为HTTPError是URLError的子集。
最后诸如代理什么的也就不讲解了，因为我觉得使用到这些的时候，大家可能就不会使用urllib2这个库了，有更好的轮子在等着你们。放上urllib2库的官方文档，有不懂的可以速查哟。 urllib2官方文档任意门