几次调用后，通过代理的 urllib2.urlopen 失败

Question

编辑： 经过一番折腾，似乎 urlgrabber 在 urllib2 失败的地方成功了，即使在每个文件之后告诉它关闭连接也是如此。似乎 urllib2 处理代理的方式或我使用它的方式可能有问题！ 无论如何，这是在循环中检索文件的最简单的代码：

import urlgrabber

for i in range(1, 100):
    url = "http://www.iana.org/domains/example/"
    urlgrabber.urlgrab(url, proxies={'http':'http://<user>:<password>@<proxy url>:<proxy port>'}, keepalive=1, close_connection=1, throttle=0)

---

大家好！

我正在尝试编写一个非常简单的 python 脚本来通过 urllib2 抓取一堆文件。

这个脚本需要在工作中通过代理工作（如果在内网上抓取文件，即没有代理，我的问题就不存在了）。

在几次请求后，所述脚本失败，出现“HTTPError: HTTP Error 401: basic auth failed”。知道为什么会这样吗？似乎代理拒绝了我的身份验证，但为什么呢？前几个 urlopen 请求正确通过！

编辑：在请求之间添加 10 秒的睡眠以避免代理可能执行的某种限制不会改变结果。

这是我的脚本的简化版本（显然已删除了识别信息）：

import urllib2

passmgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
passmgr.add_password(None, '<proxy url>:<proxy port>', '<my user name>', '<my password>')
authinfo = urllib2.ProxyBasicAuthHandler(passmgr)

proxy_support = urllib2.ProxyHandler({"http" : "<proxy http address>"})
opener = urllib2.build_opener(authinfo, proxy_support)
urllib2.install_opener(opener)

for i in range(100):
with open("e:/tmp/images/tst{}.htm".format(i), "w") as outfile:
    f = urllib2.urlopen("http://www.iana.org/domains/example/")
    outfile.write(f.read())

提前致谢！

Answer 1

您可以使用urlgrabber 模块中的keepalive 处理程序来最小化连接数。

import urllib2
from keepalive import HTTPHandler
keepalive_handler = HTTPHandler()
opener = urllib2.build_opener(keepalive_handler)
urllib2.install_opener(opener)

fo = urllib2.urlopen('http://www.python.org')

我不确定这是否适用于您的代理设置。 您可能必须破解 keepalive 模块。

Answer 2

代理可能会限制您的请求。我猜它认为你看起来像个机器人。

你可以添加一个超时，看看是否能让你通过。