python urllib2详解及实例
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