Python使用urllib2获取网络资源实例讲解

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，而是起一个辅助作用。
获取 urls

最简单的使用urllib2将如下所示

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()。

import urllib2
req = urllib2.request('//www.jb51.net')
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表单时由你的浏览器来做。
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。

import urllib
import urllib2

url = '//www.jb51.net'
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，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

 >>> 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 = '//www.jb51.net'
 >>> 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。

import urllib
import urllib2

url = '//www.jb51.net'
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

>>> req = urllib2.request('//www.jb51.net')
>>> 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。

>>> 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：

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：

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。