欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python urllib2详解及实例

程序员文章站 2023-11-01 19:05:34
 urllib2是python的一个获取urls(uniform resource locators)的。他以urlopen函数的形式提供了一个非常简单的接口, 这是具...

 urllib2是python的一个获取urls(uniform resource locators)的。他以urlopen函数的形式提供了一个非常简单的接口,

这是具有利用不同协议获取urls的能力,他同样提供了一个比较复杂的接口来处理一般情况,例如:基础验证,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:"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,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,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,所以并不易于。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,而是起一个辅助作用。

 

 

获取 urls

最简单的使用urllib2将如下所示

 

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

urllib2的很多应用就是那么简单(记住,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,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,通过调用urlopen并传入request对象,将返回一个相关请求response对象,这个应答对象如同一个文件对象,所以你可以在response中调用.read()。

 

 

[python] 
import urllib2 
 
req = urllib2.request('http://www.voidspace.org.uk') 
 
response = urllib2.urlopen(req) 
 
the_page = response.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 = urllib2.request('ftp://example.com/')

 

在http请求时,允许你做额外的两件事。首先是你能够发送data表单数据,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,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,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表单时由你的来做。

并不是所有的posts都来源于表单,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,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。

 

[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() 
 

 

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,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",它们会由于某种途径改变状态(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,get请求不会产生副作用,但没有什么可以阻止get请求产生副作用,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

[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

我们将在这里讨论特定的http头,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,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),

这个身份可能会让站点迷惑,或者干脆不工作。浏览器确认自己身份是通过user-agent头,当你创建了一个请求对象,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,但把自身

模拟成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应答对象同样有两个很有用的方法。看下面的节info and geturl,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,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,通常在特定http urls中产生。

 

urlerror

通常,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,异常同样会带有"reason"属性,它是一个tuple,包含了一个错误号和一个错误信息。

 

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",需要客户端从别的地址获取文档

,urllib2将为你处理)。其他不能处理的,urlopen会产生一个httperror。典型的错误包含"404"(页面无法找到),"403"(请求禁止),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'code'属性,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),并且100-299范围的号码指示成功,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,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,服务器返回一个http错误号,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,它同样包含了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包装

 

所以如果你想为httperror或urlerror做准备,将有两个基本的办法。我则比较喜欢第二种。

 

第一个:

[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 必须在第一个,否则except urlerror将同样接受到httperror。

 

 

第二个:

[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,这个很有用,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,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","content-type",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,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,urllib2.openerdirector可能名字可能有点让人混淆。)正常情况下,我们

使用默认opener -- 通过urlopen,但你能够创建个性的openers,openers使用处理器handlers,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,或者如何处理url打开时的各个方面,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,例如获取一个能处理cookie的opener,或者获取一个不重定向的opener。

要创建一个 opener,实例化一个openerdirector,然后调用不断调用.add_handler(some_handler_instance).

 

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

 

build_opener默认添加几个处理器,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,验证,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,该方法可以像urlopen函数那样直接用来获取urls:通常不必调用install_opener,除了为了方便。

 

 

 

basic authentication 基本验证

为了展示创建和安装一个handler,我们将使用httpbasicauthhandler,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,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’,看起来像这样:www-authenticate: scheme realm="realm".

 

 

例如

www-authenticate: basic realm="cpanel users"

 

客户端必须使用新的请求,并在请求头里包含正确的姓名和密码。这是“基础验证”,为了简化这个过程,我们可以创建一个httpbasicauthhandler的实例,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,你就能使用httppasswordmgr。

通常人们不关心realm是什么。那样的话,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。

 

[python:nogutter] 
# 创建一个密码管理者 
 
password_mgr = urllib2.httppasswordmgrwithdefaultrealm() 
 
  
 
# 添加用户名和密码 
 
# 如果知道 realm, 我们可以使用他代替 ``none``. 
 
top_level_url = "http://example.com/foo/" 
 
password_mgr.add_password(none, top_level_url, username, password) 
 
  
 
handler = urllib2.httpbasicauthhandler(password_mgr) 
 
  
 
# 创建 "opener" (openerdirector 实例) 
 
opener = urllib2.build_opener(handler) 
 
  
 
# 使用 opener 获取一个url 
 
opener.open(a_url) 
 
  
 
# 安装 opener. 
 
# 现在所有调用 urllib2.urlopen 将用我们的 opener. 
 
urllib2.install_opener(opener) 
 
  
 

注意: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:http://example.com/,也可以是一个“authority”(即主机名和可选的

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

“joe@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,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,并不定义代理。这个跟使用basic authentication 处理器很相似。

 

[python:nogutter] 
>>> proxy_support = urllib.request.proxyhandler({}) 
>>> opener = urllib.request.build_opener(proxy_support) 
>>> urllib.request.install_opener(opener) 
 

注意:
此时urllib.request不支持通过代理获取https地址。但,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,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,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。

 

作者:lmh12506