1

我在这个网站上找到了这个脚本：

from twisted.web import proxy, http
from twisted.internet import reactor
import sys

class MyProxy(proxy.Proxy):

    def dataReceived(self, data):
      print data 
      return proxy.Proxy.dataReceived(self, data)

class ProxyFactory(http.HTTPFactory):
  protocol=MyProxy

factory = ProxyFactory()
reactor.listenTCP(8080, factory)
reactor.run()

如您所见，我覆盖 dataReceived 方法来打印数据。这在运行时将每个请求的标头打印到标准输出：

GET http://careers.stackoverflow.com/ad/i/nNxudq0-kvjnJ84-n6osrC0-12-vYY HTTP/1.1
Host: careers.stackoverflow.com
User-Agent: Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:12.0) Gecko/20100101 Firefox/12.0
Accept: image/png,image/*;q=0.8,*/*;q=0.5
Accept-Language: en-us,en;q=0.5
Accept-Encoding: gzip, deflate
Proxy-Connection: keep-alive
Referer: http://stackoverflow.com/questions/7052849/simple-http-proxy
Cookie: __utma=140029553.285085787.1331510700.1337692646.1337711538.33; __utmz=140029553.1337711538.33.19.utmcsr=google|utmccn=(organic)|utmcmd=organic|utmctr=(not%20provided); __qca=P0-608923218-1331510699748; usr=t=5TLQ0kWmkGJo&s=RgkodeSUGq8k; __utmc=140029553; __utmb=140029553.3.10.1337711538
  1. 是否可以以这种方式（或任何其他实现）覆盖它，我可以将接收到的数据（标题）作为字典访问，（例如：data['Host'] = 'xxxx' ...）
  2. 而且我想从此页面获取所有网址。
4

1 回答 1

1

由于您正在获取原始数据，因此请测试每一行是否是标题（/^[-a-zA-Z]+: / 听起来像是一个好的开始；还要注意表示标题结束的双 crlf） ，然后自己将其存储到字典中。

于 2012-05-22T19:10:57.697 回答