检测网页是否已更改

Question

在我的python应用程序中，我必须阅读许多网页来收集数据。为了减少http调用，我想只获取更改的页面。我的问题是我的代码总是告诉我页面已被更改（代码200），但实际上并非如此。

这是我的代码：

from models import mytab
import re
import urllib2
from wsgiref.handlers import format_date_time
from datetime import datetime
from time import mktime

def url_change():
    urls = mytab.objects.all()
    # this is some urls:
    # http://www.venere.com/it/pensioni/venezia/pensione-palazzo-guardi/#reviews
    # http://www.zoover.it/italia/sardegna/cala-gonone/san-francisco/hotel
    # http://www.orbitz.com/hotel/Italy/Venice/Palazzo_Guardi.h161844/#reviews
    # http://it.hotels.com/ho292636/casa-del-miele-susegana-italia/
    # http://www.expedia.it/Venezia-Hotel-Palazzo-Guardi.h1040663.Hotel-Information#reviews
    # ...

    for url in urls:
        request = urllib2.Request(url.url)
        if url.last_date == None:
            now = datetime.now()
            stamp = mktime(now.timetuple())
            url.last_date = format_date_time(stamp)
            url.save()

        request.add_header("If-Modified-Since", url.last_date)

        try:
            response = urllib2.urlopen(request) # Make the request
            # some actions
            now = datetime.now()
            stamp = mktime(now.timetuple())
            url.last_date = format_date_time(stamp)
            url.save()
        except urllib2.HTTPError, err:
            if err.code == 304:
                print "nothing...."
            else:
                print "Error code:", err.code 
                pass

我不明白出了什么问题。任何人都可以帮助我吗？

Answer 1

当您发送“If-Modified-Since”标头时，Web服务器不需要发送304标头作为响应。他们可以自由发送HTTP 200并再次发送整个页面。

发送'If-Modified-Since'或'If-None-Since'警告服务器您希望缓存响应（如果可用）。这就像发送'Accept-Encoding：gzip，deflate'标题 - 你只是告诉服务器你会接受一些东西，而不是要求它。

Answer 2

检查网站是否返回304的一个好方法是使用谷歌chromes开发工具。例如。下面是在bls网站上使用chrome的注释示例。继续刷新，您将看到服务器保持返回304.如果您使用Ctrl + F5（窗口）强制刷新，您将看到它返回状态代码200.

您可以在示例中使用此技术来确定服务器是否未返回304，或者您是否以某种方式错误地格式化了请求标头。有时网页上有一个导入的资源不符合If- header，因此无论你做什么都会返回200（如果页面上的任何资源没有返回304，整个页面将返回200），但有时你是只查看网站的特定部分，您可以通过直接加载资源并绕过整个文档来作弊。