Question

编辑： 经过多次摆弄后，似乎urlgrabber在urllib2失败的地方成功，即使告诉它在每个文件后关闭连接。似乎urllib2处理代理的方式可能有问题，或者我使用它的方式！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获取一堆文件。

此脚本需要在工作时通过代理工作（如果在Intranet上抓取文件，即没有代理，我的问题就不存在了。）

在使用“HTTPError：HTTP错误401：基本身份验证失败”的几个请求之后，所述脚本失败。知道为什么会这样吗？似乎代理拒绝我的身份验证，但为什么呢？前几个urlopen请求正确完成！

编辑：在请求之间添加10秒的休眠以避免代理可能执行的某种限制并未改变结果。

以下是我的脚本的简化版本（显然已删除已识别的信息）：

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

代理可能会限制您的请求。我想它认为你看起来像一个机器人。

你可以添加一个超时，看看是否能让你通过。

Answer 2

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')

我不确定这是否可以正常使用您的代理设置。您可能需要破解keepalive模块。

几次调用后，urllib2.urlopen通过代理失败

2 个答案: