python33 urllib2使用方法细节讲解

proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 http proxy。如果想在程序中明确控制 proxy 而不受环境变量的影响，可以使用下面的方式

import urllib2

enable_proxy = true
proxy_handler = urllib2.proxyhandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.proxyhandler({})

if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)

urllib2.install_opener(opener)

这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

timeout 设置

在老版 python 中，urllib2 的 api 并没有暴露 timeout 的设置，要设置 timeout 值，只能更改 socket 的全局 timeout 值。

import urllib2
import socket

socket.setdefaulttimeout(10) # 10 秒钟后超时
urllib2.socket.setdefaulttimeout(10) # 另一种方式

在 python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2
response = urllib2.urlopen('http://www.google.com', timeout=10)

在 http request 中加入特定的 header

要加入 header，需要使用 request 对象：

import urllib2

request = urllib2.request(uri)
request.add_header('user-agent', 'fake-client')
response = urllib2.urlopen(request)

对有些 header 要特别留意，服务器会针对这些 header 做检查

user-agent : 有些服务器或 proxy 会通过该值来判断是否是浏览器发出的请求

content-type : 在使用 rest 接口时，服务器会检查该值，用来确定 http body 中的内容该怎样解析。常见的取值有：

application/xml ： 在 xml rpc，如 restful/soap 调用时使用
application/json ： 在 json rpc 调用时使用
application/x-www-form-urlencoded ： 浏览器提交 web 表单时使用
在使用服务器提供的 restful 或 soap 服务时， content-type 设置错误会导致服务器拒绝服务

redirect

urllib2 默认情况下会针对 http 3xx 返回码自动进行 redirect 动作，无需人工配置。要检测是否发生了 redirect 动作，只要检查一下 response 的 url 和 request 的 url 是否一致就可以了。

import urllib2
response = urllib2.urlopen('http://www.google.cn')
redirected = response.geturl() == 'http://www.google.cn'

如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义 httpredirecthandler 类。

import urllib2

class redirecthandler(urllib2.httpredirecthandler):
    def http_error_301(self, req, fp, code, msg, headers):
        pass
    def http_error_302(self, req, fp, code, msg, headers):
        pass

opener = urllib2.build_opener(redirecthandler)
opener.open('http://www.google.cn')

cookie

urllib2 对 cookie 的处理也是自动的。如果需要得到某个 cookie 项的值，可以这么做：

import urllib2
import cookielib

cookie = cookielib.cookiejar()
opener = urllib2.build_opener(urllib2.httpcookieprocessor(cookie))
response = opener.open('http://www.google.com')
for item in cookie:
    if item.name == 'some_cookie_item_name':
        print item.value

使用 http 的 put 和 delete 方法

urllib2 只支持 http 的 get 和 post 方法，如果要使用 http put 和 delete ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 put 或 delete 的请求：

import urllib2

request = urllib2.request(uri, data=data)
request.get_method = lambda: 'put' # or 'delete'
response = urllib2.urlopen(request)

这种做法虽然属于 hack 的方式，但实际使用起来也没什么问题。

得到 http 的返回码

对于 200 ok 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 http 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

import urllib2
try:
    response = urllib2.urlopen('http://www.jb51.ent')
except urllib2.httperror, e:
    print e.code
debug log

使用 urllib2 时，可以通过下面的方法把 debug log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时可以省去抓包的工作

import urllib2

httphandler = urllib2.httphandler(debuglevel=1)
httpshandler = urllib2.httpshandler(debuglevel=1)
opener = urllib2.build_opener(httphandler, httpshandler)

urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.google.com')