詳解pythonurllib2用法

urllib2支持獲取不同格式的URLs(在URL的":"前定義的字串,例如："ftp"是"ftp:python.ort/"的前綴),它們利用它們相關網絡協議(例如FTP,HTTP)進行獲取。這篇教程關注最廣泛的應用--HTTP。

對于簡單的應用，urlopen是非常容易使用的。但當你在打開HTTP的URLs時遇到錯誤或異常，你將需要一些超文本傳輸協議(HTTP)的理解。

最權威的HTTP文檔當然是RFC 2616(http://rfc.net/rfc2616.html)。這是一個技術文檔，所以并不易于閱讀。這篇HOWTO教程的目的是展現如何使用urllib2,

并提供足夠的HTTP細節來幫助你理解。他并不是urllib2的文檔說明，而是起一個輔助作用。

獲取 URLs

最簡單的使用urllib2

代碼實例：

import urllib2 
response = urllib2.urlopen('http://python.org/') 
html = response.read()

urllib2的很多應用就是那么簡單(記住，除了"http:",URL同樣可以使用"ftp:","file:"等等來替代)。但這篇文章是教授HTTP的更復雜的應用。

HTTP是基于請求和應答機制的--客戶端提出請求，服務端提供應答。urllib2用一個Request對象來映射你提出的HTTP請求,在它最簡單的使用形式中你將用你要請求的地址創建一個Request對象，通過調用urlopen并傳入Request對象，將返回一個相關請求response對象，這個應答對象如同一個文件對象，所以你可以在Response中調用.read()。

import urllib2 
req = urllib2.Request('http://www.pythontab.com') 
response = urllib2.urlopen(req) 
the_page = response.read()

記得urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創建一個ftp請求。

req = urllib2.Request('ftp://example.com/')

在HTTP請求時，允許你做額外的兩件事。首先是你能夠發送data表單數據，其次你能夠傳送額外的關于數據或發送本身的信息("metadata")到服務器，此數據作為HTTP的"headers"來發送。

接下來讓我們看看這些如何發送的吧。

Data數據

有時候你希望發送一些數據到URL(通常URL與CGI[通用網關接口]腳本，或其他WEB應用程序掛接)。在HTTP中,這個經常使用熟知的POST請求發送。這個通常在你提交一個HTML表單時由你的瀏覽器來做。

并不是所有的POSTs都來源于表單，你能夠使用POST提交任意的數據到你自己的程序。一般的HTML表單，data需要編碼成標準形式。然后做為data參數傳到Request對象。編碼工作使用urllib的函數而非urllib2。

代碼實例：

import urllib 
import urllib2 
url = 'http://www.gxlcms.com' 
values = {'name' : 'Michael Foord', 
 'location' : 'pythontab', 
 'language' : 'Python' } 
data = urllib.urlencode(values) 
req = urllib2.Request(url, data) 
response = urllib2.urlopen(req) 
the_page = response.read()

記住有時需要別的編碼(例如從HTML上傳文件--看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的詳細說明)。

如ugoni沒有傳送data參數，urllib2使用GET方式的請求。GET和POST請求的不同之處是POST請求通常有"副作用"，它們會由于某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。

盡管HTTP標準說的很清楚POSTs通常會產生副作用，GET請求不會產生副作用，但沒有什么可以阻止GET請求產生副作用，同樣POST請求也可能不產生副作用。Data同樣可以通過在Get請求的URL本身上面編碼來傳送。

代碼實例：

>>> import urllib2 
>>> import urllib 
>>> data = {} 
>>> data['name'] = 'Somebody Here' 
>>> data['location'] = 'pythontab' 
>>> data['language'] = 'Python' 
>>> url_values = urllib.urlencode(data) 
>>> print url_values 
name=blueelwang+Here&language=Python&location=pythontab 
>>> url = 'http://www.pythontab.com' 
>>> full_url = url + '?' + url_values 
>>> data = urllib2.open(full_url)

Headers

我們將在這里討論特定的HTTP頭，來說明怎樣添加headers到你的HTTP請求。

有一些站點不喜歡被程序（非人為訪問）訪問，或者發送不同版本的內容到不同的瀏覽器。默認的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主版本和次版本號,例如Python-urllib/2.5)，這個身份可能會讓站點迷惑，或者干脆不工作。瀏覽器確認自己身份是通過User-Agent頭，當你創建了一個請求對象，你可以給他一個包含頭數據的字典。下面的例子發送跟上面一樣的內容，但把自身

模擬成Internet Explorer。

import urllib 
import urllib2 
url = 'http://www.gxlcms.com' 
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 
 
values = {'name' : 'Michael Foord', 
 'location' : 'pythontab', 
 'language' : 'Python' } 
headers = { 'User-Agent' : user_agent } 
data = urllib.urlencode(values) 
req = urllib2.Request(url, data, headers) 
response = urllib2.urlopen(req) 
the_page = response.read()

response應答對象同樣有兩個很有用的方法?？聪旅娴墓漣nfo and geturl，我們將看到當發生錯誤時會發生什么。

Handle Exceptions處理異常

當urlopen不能夠處理一個response時，產生urlError（不過通常的Python APIs異常如ValueError,TypeError等也會同時產生）。

HTTPError是urlError的子類，通常在特定HTTP URLs中產生。

URLError

通常，URLError在沒有網絡連接(沒有路由到特定服務器),或者服務器不存在的情況下產生。這種情況下，異常同樣會帶有"reason"屬性，它是一個tuple，包含了一個錯誤號和一個錯誤信息。

例如

>>> req = urllib2.Request('http://www.gxlcms.com') 
>>> try: urllib2.urlopen(req) 
>>> except URLError, e: 
>>> print e.reason 
>>>

(4, 'getaddrinfo failed')

HTTPError

服務器上每一個HTTP 應答對象response包含一個數字"狀態碼"。有時狀態碼指出服務器無法完成請求。默認的處理器會為你處理一部分這種應答(例如:假如response是一個"重定向"，需要客戶端從別的地址獲取文檔，urllib2將為你處理)。其他不能處理的，urlopen會產生一個HTTPError。典型的錯誤包含"404"(頁面無法找到)，"403"(請求禁止)，和"401"(帶驗證請求)。

請看RFC 2616 第十節有所有的HTTP錯誤碼

HTTPError實例產生后會有一個整型'code'屬性，是服務器發送的相關錯誤號。

Error Codes錯誤碼

因為默認的處理器處理了重定向(300以外號碼)，并且100-299范圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。

BaseHTTPServer.BaseHTTPRequestHandler.response是一個很有用的應答號碼字典，顯示了RFC 2616使用的所有的應答號。這里為了方便重新展示該字典。

當一個錯誤號產生后，服務器返回一個HTTP錯誤號，和一個錯誤頁面。你可以使用HTTPError實例作為頁面返回的應答對象response。這表示和錯誤屬性一樣，它同樣包含了read,geturl,和info方法。

>>> req = urllib2.Request('http://www.gxlcms.com/fish.html') 
>>> try: 
>>> urllib2.urlopen(req) 
>>> except URLError, e: 
>>> print e.code 
>>> print e.read() 
>>>

404 
 
 Error 404: File Not Found 
...... etc...

Wrapping it Up包裝

所以如果你想為HTTPError或URLError做準備，將有兩個基本的辦法。我則比較喜歡第二種。

第一個：

from urllib2 import Request, urlopen, URLError, HTTPError 
req = Request(someurl) 
try: 
 response = urlopen(req) 
except HTTPError, e: 
 print 'The server couldn/'t fulfill the request.' 
 print 'Error code: ', e.code 
except URLError, e: 
 print 'We failed to reach a server.' 
 print 'Reason: ', e.reason 
else: 
 # everything is fine

注意：except HTTPError 必須在第一個，否則except URLError將同樣接受到HTTPError。

第二個：

from urllib2 import Request, urlopen, URLError 
req = Request(someurl) 
try: 
 response = urlopen(req) 
except URLError, e: 
 if hasattr(e, 'reason'): 
 print 'We failed to reach a server.' 
 print 'Reason: ', e.reason 
 elif hasattr(e, 'code'): 
 print 'The server couldn/'t fulfill the request.' 
 print 'Error code: ', e.code 
else: 
 # everything is fine

info and geturl

urlopen返回的應答對象response(或者HTTPError實例)有兩個很有用的方法info()和geturl()

geturl -- 這個返回獲取的真實的URL，這個很有用，因為urlopen(或者opener對象使用的)或許

會有重定向。獲取的URL或許跟請求URL不同。

info -- 這個返回對象的字典對象，該字典描述了獲取的頁面情況。通常是服務器發送的特定頭headers。目前是httplib.HTTPMessage 實例。

經典的headers包含"Content-length"，"Content-type"，和其他。查看Quick Reference to HTTP Headers(http://www.cs.tut.fi/~jkorpela/http.html)獲取有用的HTTP頭列表，以及它們的解釋意義。

Openers和Handlers

當你獲取一個URL你使用一個opener(一個urllib2.OpenerDirector的實例，urllib2.OpenerDirector可能名字可能有點讓人混淆。)正常情況下，我們使用默認opener -- 通過urlopen,但你能夠創建個性的openers，Openers使用處理器handlers，所有的“繁重”工作由handlers處理。每個handlers知道如何通過特定協議打開URLs，或者如何處理URL打開時的各個方面，例如HTTP重定向或者HTTP cookies。

如果你希望用特定處理器獲取URLs你會想創建一個openers，例如獲取一個能處理cookie的opener，或者獲取一個不重定向的opener。

要創建一個 opener,實例化一個OpenerDirector，然后調用不斷調用.add_handler(some_handler_instance).

同樣，可以使用build_opener，這是一個更加方便的函數，用來創建opener對象，他只需要一次函數調用。

build_opener默認添加幾個處理器，但提供快捷的方法來添加或更新默認處理器。

其他的處理器handlers你或許會希望處理代理，驗證，和其他常用但有點特殊的情況。

install_opener 用來創建（全局）默認opener。這個表示調用urlopen將使用你安裝的opener。

Opener對象有一個open方法，該方法可以像urlopen函數那樣直接用來獲取urls：通常不必調用install_opener，除了為了方便。

Basic Authentication 基本驗證

為了展示創建和安裝一個handler，我們將使用HTTPBasicAuthHandler，為了更加細節的描述本主題--包含一個基礎驗證的工作原理。

請看Basic Authentication Tutorial（http://www.voidspace.org.uk/python/articles/authentication.shtml）

當需要基礎驗證時，服務器發送一個header(401錯誤碼) 請求驗證。這個指定了scheme 和一個‘realm’，看起來像這樣：Www-authenticate: SCHEME realm="REALM".

例如

Www-authenticate: Basic realm="cPanel Users"

客戶端必須使用新的請求，并在請求頭里包含正確的姓名和密碼。這是“基礎驗證”，為了簡化這個過程，我們可以創建一個HTTPBasicAuthHandler的實例，并讓opener使用這個handler。

HTTPBasicAuthHandler使用一個密碼管理的對象來處理URLs和realms來映射用戶名和密碼。如果你知道realm(從服務器發送來的頭里)是什么，你就能使用HTTPPasswordMgr。

通常人們不關心realm是什么。那樣的話，就能用方便的HTTPPasswordMgrWithDefaultRealm。這個將在你為URL指定一個默認的用戶名和密碼。這將在你為特定realm提供一個其他組合時得到提供。我們通過給realm參數指定None提供給add_password來指示這種情況。

最高層次的URL是第一個要求驗證的URL。你傳給.add_password()更深層次的URLs將同樣合適。

# 創建一個密碼管理者 
password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm() 
# 添加用戶名和密碼 
# 如果知道 realm, 我們可以使用他代替 ``None``. 
top_level_url = "http://php.cn/foo/" 
password_mgr.add_password(None, top_level_url, username, password) 
handler = urllib2.HTTPBasicAuthHandler(password_mgr) 
# 創建 "opener" (OpenerDirector 實例) 
opener = urllib2.build_opener(handler) 
# 使用 opener 獲取一個URL 
opener.open(a_url) 
# 安裝 opener. 
# 現在所有調用 urllib2.urlopen 將用我們的 opener. 
urllib2.install_opener(opener)

注意：以上的例子我們僅僅提供我們的HHTPBasicAuthHandler給build_opener。默認的openers有正常狀況的handlers--ProxyHandler,UnknownHandler,HTTPHandler,HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。

top_level_url 實際上可以是完整URL(包含"http:",以及主機名及可選的端口號)例如：http://example.com/，也可以是一個“authority”(即主機名和可選的包含端口號)例如：“example.com” or “example.com:8080”(后者包含了端口號)。權限驗證，如果遞交的話不能包含"用戶信息"部分,例如:“joe@password:example.com”是錯誤的。

Proxies代理urllib 將自動監測你的代理設置并使用他們。這個通過ProxyHandler這個在正常處理器鏈中的對象來處理。通常，那工作的很好。但有時不起作用。其中一個方法便是安裝我們自己的代理處理器ProxyHandler，并不定義代理。這個跟使用Basic Authentication 處理器很相似。

>>> proxy_support = urllib.request.ProxyHandler({}) 
>>> opener = urllib.request.build_opener(proxy_support) 
>>> urllib.request.install_opener(opener)

注意：

此時urllib.request不支持通過代理獲取https地址。但，這個可以通過擴展urllib.request達到目的。

Sockets and Layers

Python支持獲取網絡資源是分層結構。urllib 使用http.client庫，再調用socket庫實現。

在Python2.3你可以指定socket的等待回應超時時間。這個在需要獲取網頁的應用程序里很有用。默認的socket模型沒有超時和掛起?，F在，socket超時沒有暴露給http.client或者urllib.request層。但你可以給所有的sockets設置全局的超時。

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com