urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。他以urlopen函數的形式提供了一個非常簡單的接口,
這是具有利用不同協議獲取URLs的能力,他同樣提供了一個比較複雜的接口來處理一般情況,例如:基礎驗證,cookies,代理和其他。
它們通過handlers和openers的對象提供。
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。
對於簡單的應用,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,所以並不易於閱讀。這篇HOWTO教程的目的是展現如何使用urllib2,
並提供足夠的HTTP細節來幫助你理解。他並不是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將如下所示
[python:nogutter]
import urllib2
response = urllib2.urlopen('http://python.org/')
html = response.read()
urllib2的很多應用就是那麼簡單(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是基於請求和應答機制的--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並傳入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()。
[python]
import urllib2
req = urllib2.Request('http://www.voidspace.org.uk')
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於數據或發送本身的信息("metadata")到服務器,此數據作爲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。
並不是所有的POSTs都來源於表單,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。然後做爲data參數傳到Request對象。編碼工作使用urllib的函數而非
urllib2。
[python:nogutter]
import urllib
import urllib2
url = 'http://www.someserver.com/cgi-bin/register.cgi'
values = {'name' : 'Michael Foord',
'location' : 'Northampton',
'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",它們會由於某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。
儘管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,但沒有什麼可以阻止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。
可看如下例子
[python:nogutter]
>>> import urllib2
>>> import urllib
>>> data = {}
>>> data['name'] = 'Somebody Here'
>>> data['location'] = 'Northampton'
>>> data['language'] = 'Python'
>>> url_values = urllib.urlencode(data)
>>> print url_values
name=Somebody+Here&language=Python&location=Northampton
>>> url = 'http://www.example.com/example.cgi'
>>> full_url = url + '?' + url_values
>>> data = urllib2.open(full_url)
Headers
我們將在這裏討論特定的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(非人爲訪問)訪問,或者發送不同版本的內容到不同的瀏覽器。默認的urllib2把自己作爲“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,或者乾脆不工作。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。
[python:nogutter]
import urllib
import urllib2
url = 'http://www.someserver.com/cgi-bin/register.cgi'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
values = {'name' : 'Michael Foord',
'location' : 'Northampton',
'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。看下面的節info and geturl,我們將看到當發生錯誤時會發生什麼。
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
[python:nogutter]
>>> req = urllib2.Request('http://www.pretend_server.org')
>>> 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。默認的處理器會爲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將爲你處理)。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實例產生後會有一個整型'code'屬性,是服務器發送的相關錯誤號。
Error Codes錯誤碼
因爲默認的處理器處理了重定向(300以外號碼),並且100-299範圍的號碼指示成功,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。這裏爲了方便重新展示該字典。(譯者略)
當一個錯誤號產生後,服務器返回一個HTTP錯誤號,和一個錯誤頁面。你可以使用HTTPError實例作爲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。
[python:nogutter]
>>> req = urllib2.Request('http://www.python.org/fish.html')
>>> try:
>>> urllib2.urlopen(req)
>>> except URLError, e:
>>> print e.code
>>> print e.read()
>>>
404
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
"http://www.w3.org/TR/html4/loose.dtd">
<?xml-stylesheet href="./css/ht2html.css"
type="text/css"?>
<html><head><title>Error 404: File Not Found</title>
...... etc...
Wrapping it Up包裝
所以如果你想爲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:
[python:nogutter]
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:
[python:nogutter]
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,因爲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,然後調用不斷調用.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,除了爲了方便。
Basic Authentication 基本驗證
爲了展示創建和安裝一個handler,我們將使用HTTPBasicAuthHandler,爲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,並在請求頭裏包含正確的姓名和密碼。這是“基礎驗證”,爲了簡化這個過程,我們可以創建一個HTTPBasicAuthHandler的實例,並讓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裏)是什麼,你就能使用HTTPPasswordMgr。
通常人們不關心realm是什麼。那樣的話,就能用方便的HTTPPasswordMgrWithDefaultRealm。這個將在你爲URL指定一個默認的用戶名和密碼。這將在你爲特定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。
[python:nogutter]
# 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://example.com/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”(後者包含了端口號)。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並使用他們。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,並不定義代理。這個跟使用Basic Authentication 處理器很相似。
[python:nogutter]
>>> 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的等待迴應超時時間。這個在需要獲取網頁的應用程序裏很有用。默認的socket模型沒有超時和掛起。現在,socket超時沒有暴露 www.2cto.com
給http.client或者urllib.request層。但你可以給所有的sockets設置全局的超時。
轉自:http://www.2cto.com/kf/201208/145070.html