python的urllib2_pythonurllib2介绍

urllib2是Python的一个获取URLs(Uniform Resource Locators)的组件。他以urlopen函数的形式提供了一个非常简单的接口&＃xff0c;

这是具有利用不同协议获取URLs的能力&＃xff0c;他同样提供了一个比较复杂的接口来处理一般情况&＃xff0c;例如&＃xff1a;基础验证&＃xff0c;COOKIEs,代理和其他。

它们通过handlers和openers的对象提供。

urllib2支持获取不同格式的URLs(在URL的":"前定义的字串,例如&＃xff1a;"ftp"是"ftp:python.ort/"的前缀),它们利用它们相关网络协议(例如FTP,HTTP)

进行获取。这篇教程关注最广泛的应用--HTTP。

对于简单的应用&＃xff0c;urlopen是非常容易使用的。但当你在打开HTTP的URLs时遇到错误或异常&＃xff0c;你将需要一些超文本传输协议(HTTP)的理解。

最权威的HTTP文档当然是RFC 2616(http://rfc.net/rfc2616.html)。这是一个技术文档&＃xff0c;所以并不易于阅读。这篇HOWTO教程的目的是展现如何使用urllib2,

并提供足够的HTTP细节来帮助你理解。他并不是urllib2的文档说明&＃xff0c;而是起一个辅助作用。

获取 URLs

最简单的使用urllib2将如下所示

urllib2的很多应用就是那么简单(记住&＃xff0c;除了"http:",URL同样可以使用"ftp:","file:"等等来替代)。但这篇文章是教授HTTP的更复杂的应用。

HTTP是基于请求和应答机制的--客户端提出请求&＃xff0c;服务端提供应答。urllib2用一个Request对象来映射你提出的HTTP请求,在它最简单的使用形式中你将用你要请求的

地址创建一个Request对象&＃xff0c;通过调用urlopen并传入Request对象&＃xff0c;将返回一个相关请求response对象&＃xff0c;这个应答对象如同一个文件对象&＃xff0c;所以你可以在Response中调用.read()。

记得urllib2使用相同的接口处理所有的URL头。例如你可以像下面那样创建一个ftp请求。

req &＃61; urllib2.Request(&＃39;ftp://example.com/&＃39;)

在HTTP请求时&＃xff0c;允许你做额外的两件事。首先是你能够发送data表单数据&＃xff0c;其次你能够传送额外的关于数据或发送本身的信息("metadata")到服务器&＃xff0c;此数据作为HTTP的"headers"来发送。

接下来让我们看看这些如何发送的吧。

Data数据

有时候你希望发送一些数据到URL(通常URL与CGI[通用网关接口]脚本&＃xff0c;或其他WEB应用程序挂接)。在HTTP中,这个经常使用熟知的POST请求发送。这个通常在你提交一个HTML表单时由你的浏览器来做。

并不是所有的POSTs都来源于表单&＃xff0c;你能够使用POST提交任意的数据到你自己的程序。一般的HTML表单&＃xff0c;data需要编码成标准形式。然后做为data参数传到Request对象。编码工作使用urllib的函数而非urllib2。

记住有时需要别的编码(例如从HTML上传文件--看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的详细说明)。

如ugoni没有传送data参数&＃xff0c;urllib2使用GET方式的请求。GET和POST请求的不同之处是POST请求通常有"副作用"&＃xff0c;它们会由于某种途径改变系统状态(例如提交成堆垃圾到你的门口)。

尽管HTTP标准说的很清楚POSTs通常会产生副作用&＃xff0c;GET请求不会产生副作用&＃xff0c;但没有什么可以阻止GET请求产生副作用&＃xff0c;同样POST请求也可能不产生副作用。Data同样可以通过在Get请求

的URL本身上面编码来传送。

可看如下例子

Headers

我们将在这里讨论特定的HTTP头&＃xff0c;来说明怎样添加headers到你的HTTP请求。

有一些站点不喜欢被程序(非人为访问)访问&＃xff0c;或者发送不同版本的内容到不同的浏览器。默认的urllib2把自己作为“Python-urllib/x.y”(x和y是Python主版本和次版本号,例如Python-urllib/2.5)&＃xff0c;

这个身份可能会让站点迷惑&＃xff0c;或者干脆不工作。浏览器确认自己身份是通过User-Agent头&＃xff0c;当你创建了一个请求对象&＃xff0c;你可以给他一个包含头数据的字典。下面的例子发送跟上面一样的内容&＃xff0c;但把自身

模拟成Internet Explorer。

response应答对象同样有两个很有用的方法。看下面的节info and geturl&＃xff0c;我们将看到当发生错误时会发生什么。

Handle Exceptions处理异常

当urlopen不能够处理一个response时&＃xff0c;产生urlError(不过通常的Python APIs异常如ValueError,TypeError等也会同时产生)。

HTTPError是urlError的子类&＃xff0c;通常在特定HTTP URLs中产生。

URLError

通常&＃xff0c;URLError在没有网络连接(没有路由到特定服务器),或者服务器不存在的情况下产生。这种情况下&＃xff0c;异常同样会带有"reason"属性&＃xff0c;它是一个tuple&＃xff0c;包含了一个错误号和一个错误信息。

例如

(4, &＃39;getaddrinfo failed&＃39;)

HTTPError

服务器上每一个HTTP 应答对象response包含一个数字"状态码"。有时状态码指出服务器无法完成请求。默认的处理器会为你处理一部分这种应答(例如:假如response是一个"重定向"&＃xff0c;需要客户端从别的地址获取文档

&＃xff0c;urllib2将为你处理)。其他不能处理的&＃xff0c;urlopen会产生一个HTTPError。典型的错误包含"404"(页面无法找到)&＃xff0c;"403"(请求禁止)&＃xff0c;和"401"(带验证请求)。

请看RFC 2616 第十节有所有的HTTP错误码

HTTPError实例产生后会有一个整型&＃39;code&＃39;属性&＃xff0c;是服务器发送的相关错误号。

Error Codes错误码

因为默认的处理器处理了重定向(300以外号码)&＃xff0c;并且100-299范围的号码指示成功&＃xff0c;所以你只能看到400-599的错误号码。

BaseHTTPServer.BaseHTTPRequestHandler.response是一个很有用的应答号码字典&＃xff0c;显示了RFC 2616使用的所有的应答号。这里为了方便重新展示该字典。(译者略)

当一个错误号产生后&＃xff0c;服务器返回一个HTTP错误号&＃xff0c;和一个错误页面。你可以使用HTTPError实例作为页面返回的应答对象response。这表示和错误属性一样&＃xff0c;它同样包含了read,geturl,和info方法。

Wrapping it Up包装

所以如果你想为HTTPError或URLError做准备&＃xff0c;将有两个基本的办法。我则比较喜欢第二种。

第一个&＃xff1a;

注意&＃xff1a;except HTTPError 必须在第一个&＃xff0c;否则except URLError将同样接受到HTTPError。

第二个&＃xff1a;

info and geturl

urlopen返回的应答对象response(或者HTTPError实例)有两个很有用的方法info()和geturl()

geturl -- 这个返回获取的真实的URL&＃xff0c;这个很有用&＃xff0c;因为urlopen(或者opener对象使用的)或许

会有重定向。获取的URL或许跟请求URL不同。

info -- 这个返回对象的字典对象&＃xff0c;该字典描述了获取的页面情况。通常是服务器发送的特定头headers。目前是httplib.HTTPMessage 实例。

经典的headers包含"Content-length"&＃xff0c;"Content-type"&＃xff0c;和其他。查看Quick Reference to HTTP Headers(http://www.cs.tut.fi/~jkorpela/http.html)

获取有用的HTTP头列表&＃xff0c;以及它们的解释意义。

Openers和Handlers

当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例&＃xff0c;urllib2.OpenerDirector可能名字可能有点让人混淆。)正常情况下&＃xff0c;我们

使用默认opener -- 通过urlopen,但你能够创建个性的openers&＃xff0c;Openers使用处理器handlers&＃xff0c;所有的“繁重”工作由handlers处理。每个handlers知道

如何通过特定协议打开URLs&＃xff0c;或者如何处理URL打开时的各个方面&＃xff0c;例如HTTP重定向或者HTTP COOKIEs。

如果你希望用特定处理器获取URLs你会想创建一个openers&＃xff0c;例如获取一个能处理COOKIE的opener&＃xff0c;或者获取一个不重定向的opener。

要创建一个 opener,实例化一个OpenerDirector&＃xff0c;然后调用不断调用.add_handler(some_handler_instance).

同样&＃xff0c;可以使用build_opener&＃xff0c;这是一个更加方便的函数&＃xff0c;用来创建opener对象&＃xff0c;他只需要一次函数调用。

build_opener默认添加几个处理器&＃xff0c;但提供快捷的方法来添加或更新默认处理器。

其他的处理器handlers你或许会希望处理代理&＃xff0c;验证&＃xff0c;和其他常用但有点特殊的情况。

install_opener 用来创建(全局)默认opener。这个表示调用urlopen将使用你安装的opener。

Opener对象有一个open方法&＃xff0c;该方法可以像urlopen函数那样直接用来获取urls&＃xff1a;通常不必调用install_opener&＃xff0c;除了为了方便。

Basic Authentication 基本验证

为了展示创建和安装一个handler&＃xff0c;我们将使用HTTPBasicAuthHandler&＃xff0c;为了更加细节的描述本主题--包含一个基础验证的工作原理。

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

当需要基础验证时&＃xff0c;服务器发送一个header(401错误码) 请求验证。这个指定了scheme 和一个‘realm’&＃xff0c;看起来像这样&＃xff1a;Www-authenticate: SCHEME realm&＃61;"REALM".

例如

Www-authenticate: Basic realm&＃61;"cPanel Users"

客户端必须使用新的请求&＃xff0c;并在请求头里包含正确的姓名和密码。这是“基础验证”&＃xff0c;为了简化这个过程&＃xff0c;我们可以创建一个HTTPBasicAuthHandler的实例&＃xff0c;并让opener使用这个

handler。

HTTPBasicAuthHandler使用一个密码管理的对象来处理URLs和realms来映射用户名和密码。如果你知道realm(从服务器发送来的头里)是什么&＃xff0c;你就能使用HTTPPasswordMgr。

通常人们不关心realm是什么。那样的话&＃xff0c;就能用方便的HTTPPasswordMgrWithDefaultRealm。这个将在你为URL指定一个默认的用户名和密码。这将在你为特定realm提供一个其他组合时

得到提供。我们通过给realm参数指定None提供给add_password来指示这种情况。

最高层次的URL是第一个要求验证的URL。你传给.add_password()更深层次的URLs将同样合适。

注 意&＃xff1a;以上的例子我们仅仅提供我们的HHTPBasicAuthHandler给build_opener。默认的openers有正常状况的 handlers--ProxyHandler,UnknownHandler,HTTPHandler,HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。

top_level_url 实际上可以是完整URL(包含"http:",以及主机名及可选的端口号)例如&＃xff1a;http://example.com/&＃xff0c;也可以是一个“authority”(即主机名和可选的

包含端口号)例如&＃xff1a;“example.com” or “example.com:8080”(后者包含了端口号)。权限验证&＃xff0c;如果递交的话不能包含"用户信息"部分,例如:

“joe&＃64;password:example.com”是错误的。

Proxies代理urllib 将自动监测你的代理设置并使用他们。这个通过ProxyHandler这个在正常处理器链中的对象来处理。通常&＃xff0c;那工作的很好。但有时不起作用

。其中一个方法便是安装我们自己的代理处理器ProxyHandler&＃xff0c;并不定义代理。这个跟使用Basic Authentication 处理器很相似。

注意&＃xff1a;

此时urllib.request不支持通过代理获取https地址。但&＃xff0c;这个可以通过扩展urllib.request达到目的。

Sockets and Layers

Python支持获取网络资源是分层结构。urllib 使用http.client库&＃xff0c;再调用socket库实现。

在Python2.3你可以指定socket的等待回应超时时间。这个在需要获取网页的应用程序里很有用。默认的socket模型没有超时和挂起。现在&＃xff0c;socket超时没有暴露

给http.client或者urllib.request层。但你可以给所有的sockets设置全局的超时。

转&＃xff1a;http://www.tab.com/html/2014/pythonhexinbiancheng_1128/928.html