urllib与urllib2的学习总结

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了urllib与urllib2的学习总结相关的知识,希望对你有一定的参考价值。

先啰嗦一句,我使用的版本是python2.7,没有使用3.X的原因是我觉得2.7的扩展比较多,且较之前的版本变化不大,使用顺手。3.X简直就是革命性的变化,用的蹩手。3.x的版本urllib与urllib2已经合并为一个urllib库,学着比较清晰些,2.7的版本呢urllib与urllib2各有各的作用,下面我把自己学习官方文档和其他资料的总结写下,方便以后使用。

  urllib与urllib2并不是可以代替的,只能说2是一个补充吧。先来看看他们俩的区别,有一篇文章把urllib与urllib2的关系说的很明白《difference between urllib and urllib2》,意思如下。

  Python的urllib和urllib2模块都做与请求URL相关的操作,但他们提供不同的功能。他们两个最显着的差异如下:

  •   urllib2可以接受一个Request对象,并以此可以来设置一个URL的headers,但是urllib只接收一个URL。这意味着,你不能伪装你的用户代理字符串等。
  •   urllib模块可以提供进行urlencode的方法,该方法用于GET查询字符串的生成,urllib2的不具有这样的功能。这就是urllib与urllib2经常在一起使用的原因。

  

  这两点对于用过urllib与urllib2的人来说比较好理解,但是对于没用过的还是不能有好的理解,下面参考官方的文档,把自己对urllib与urllib2的学习内容总结如下。

  A.urllib2概述

  urllib2模块定义的函数和类用来获取URL(主要是HTTP的),他提供一些复杂的接口用于处理: 基本认证,重定向,Cookies等。

  urllib2支持许多的“URL schemes”(由URL中的“:”之前的字符串确定 - 例如“FTP”的URL方案如“ftp://python.org/”),且他还支持其相关的网络协议(如FTP,HTTP)。我们则重点关注HTTP。

  在简单的情况下,我们会使用urllib2模块的最常用的方法urlopen。但只要打开HTTP URL时遇到错误或异常的情况下,就需要一些HTTP传输协议的知识。我们没有必要掌握HTTP RFC2616。这是一个最全面和最权威的技术文档,且不易于阅读。在使用urllib2时会用到HTTP RFC2616相关的知识,了解即可。

  B.常用方法和类

  1) urllib2.urlopen(url[, data][, timeout])

  urlopen方法是urllib2模块最常用也最简单的方法,它打开URL网址,url参数可以是一个字符串url或者是一个Request对象。URL没什么可说的,Request对象和data在request类中说明,定义都是一样的。

  对于可选的参数timeout,阻塞操作以秒为单位,如尝试连接(如果没有指定,将使用设置的全局默认timeout值)。实际上这仅适用于HTTP,HTTPS和FTP连接。

  先看只包含URL的请求例子:

import urllib2
response = urllib2.urlopen(http://python.org/)
html = response.read()

urlopen方法也可通过建立了一个Request对象来明确指明想要获取的url。调用urlopen函数对请求的url返回一个response对象。这个response类似于一个file对象,所以用.read()函数可以操作这个response对象,关于urlopen函数的返回值的使用,我们下面再详细说。

import urllib2
req = urllib2.Request(http://python.org/)
response = urllib2.urlopen(req)
the_page = response.read()

这里用到了urllib2.Request类,对于上例,我们只通过了URL实例化了Request类的对象,其实Request类还有其他的参数。

  2) class urllib2.Request(url[, data][, headers][, origin_req_host][, unverifiable])

Request类是一个抽象的URL请求。5个参数的说明如下

  URL——是一个字符串,其中包含一个有效的URL。

  data——是一个字符串,指定额外的数据发送到服务器,如果没有data需要发送可以为“None”。目前使用data的HTTP请求是唯一的。当请求含有data参数时,HTTP的请求为POST,而不是GET。数据应该是缓存在一个标准的application/x-www-form-urlencoded格式中。urllib.urlencode()函数用映射或2元组,返回一个这种格式的字符串。通俗的说就是如果想向一个URL发送数据(通常这些数据是代表一些CGI脚本或者其他的web应用)。对于HTTP来说这动作叫Post。例如在网上填的form(表单)时,浏览器会POST表单的内容,这些数据需要被以标准的格式编码(encode),然后作为一个数据参数传送给Request对象。Encoding是在urlib模块中完成的,而不是在urlib2中完成的。下面是个例子:

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()

headers——是字典类型,头字典可以作为参数在request时直接传入,也可以把每个键和值作为参数调用add_header()方法来添加。作为辨别浏览器身份的User-Agent header是经常被用来恶搞和伪装的,因为一些HTTP服务只允许某些请求来自常见的浏览器而不是脚本,或是针对不同的浏览器返回不同的版本。例如,Mozilla Firefox浏览器被识别为“Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11”。默认情况下,urlib2把自己识别为Python-urllib/x.y(这里的xy是python发行版的主要或次要的版本号,如在Python 2.6中,urllib2的默认用户代理字符串是“Python-urllib/2.6。下面的例子和上面的区别就是在请求时加了一个headers,模仿IE浏览器提交请求。

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()

标准的headers组成是(Content-Length, Content-Type and Host),只有在Request对象调用urlopen()(上面的例子也属于这个情况)或者OpenerDirector.open()时加入。两种情况的例子如下:

使用headers参数构造Request对象,如上例在生成Request对象时已经初始化header,而下例是Request对象调用add_header(keyval)方法附加header(Request对象的方法下面再介绍):

import urllib2
req = urllib2.Request(http://www.example.com/)
req.add_header(Referer, http://www.python.org/)
r = urllib2.urlopen(req)

OpenerDirector为每一个Request自动加上一个User-Agent header,所以第二种方法如下(urllib2.build_opener会返回一个OpenerDirector对象,关于urllib2.build_opener类下面再说):

import urllib2
opener = urllib2.build_opener()
opener.addheaders = [(User-agent, Mozilla/5.0)]
opener.open(http://www.example.com/)

最后两个参数仅仅是对正确操作第三方HTTP cookies 感兴趣,很少用到:

  origin_req_host——是RFC2965定义的源交互的request-host。默认的取值是cookielib.request_host(self)。这是由用户发起的原始请求的主机名或IP地址。例如,如果请求的是一个HTML文档中的图像,这应该是包含该图像的页面请求的request-host。

  unverifiable ——代表请求是否是无法验证的,它也是由RFC2965定义的。默认值为false。一个无法验证的请求是,其用户的URL没有足够的权限来被接受。例如,如果请求的是在HTML文档中的图像,但是用户没有自动抓取图像的权限,unverifiable的值就应该是true。

  3) urllib2.install_opener(opener)和urllib2.build_opener([handler...]) 

  install_opener和build_opener这两个方法通常都是在一起用,也有时候build_opener单独使用来得到OpenerDirector对象。  

  install_opener实例化会得到OpenerDirector 对象用来赋予全局变量opener。如果想用这个opener来调用urlopen,那么就必须实例化得到OpenerDirector;这样就可以简单的调用OpenerDirector.open()来代替urlopen()。

  build_opener实例化也会得到OpenerDirector对象,其中参数handlers可以被BaseHandler或他的子类实例化。子类中可以通过以下实例化:ProxyHandler (如果检测代理设置用), UnknownHandler, HTTPHandler, HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。

import urllib2
req = urllib2.Request(http://www.python.org/)
opener=urllib2.build_opener()
urllib2.install_opener(opener)
f = opener.open(req)

如上使用 urllib2.install_opener()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。

  说到这Opener和Handler之间的操作听起来有点晕。整理下思路就清楚了。当获取一个URL时,可以使用一个opener(一个urllib2.OpenerDirector实例对象,可以由build_opener实例化生成)。正常情况下程序一直通过urlopen使用默认的opener(也就是说当你使用urlopen方法时,是在隐式的使用默认的opener对象),但也可以创建自定义的openers(通过操作器handlers创建的opener实例)。所有的重活和麻烦都交给这些handlers来做。每一个handler知道如何以一种特定的协议(http,ftp等等)打开url,或者如何处理打开url发生的HTTP重定向,或者包含的HTTP cookie。创建openers时如果想要安装特别的handlers来实现获取url(如获取一个处理cookie的opener,或者一个不处理重定向的opener)的话,先实例一个OpenerDirector对象,然后多次调用.add_handler(some_handler_instance)来创建一个opener。或者,你可以用build_opener,这是一个很方便的创建opener对象的函数,它只有一个函数调用。build_opener默认会加入许多handlers,它提供了一个快速的方法添加更多东西和使默认的handler失效。
install_opener如上所述也能用于创建一个opener对象,但是这个对象是(全局)默认的opener。这意味着调用urlopen将会用到你刚创建的opener。也就是说上面的代码可以等同于下面这段。这段代码最终还是使用的默认opener。一般情况下我们用build_opener为的是生成自定义opener,没有必要调用install_opener,除非是为了方便。

import urllib2
req = urllib2.Request(http://www.python.org/)
opener=urllib2.build_opener()
urllib2.install_opener(opener)
f = urllib2.urlopen(req)

   C.异常处理

  当我们调用urllib2.urlopen的时候不会总是这么顺利,就像浏览器打开url时有时也会报错,所以就需要我们有应对异常的处理。
  说到异常,我们先来了解返回的response对象的几个常用的方法:

  geturl() — 返回检索的URL资源,这个是返回的真正url,通常是用来鉴定是否重定向的,如下面代码4行url如果等于“http://www.python.org/ ”说明没有被重定向。

  info() — 返回页面的原信息就像一个字段的对象, 如headers,它以mimetools.Message实例为格式(可以参考HTTP Headers说明)。

  getcode() — 返回响应的HTTP状态代码,运行下面代码可以得到code=200,具体各个code代表的意思请参见文后附录。

  import urllib2
  req = urllib2.Request(http://www.python.org/)
  response=urllib2.urlopen(req)
  url=response.geturl()
  info=response.info()
  code=response.getcode()

当不能处理一个response时,urlopen抛出一个URLError(对于python APIs,内建异常如,ValueError, TypeError 等也会被抛出。)

  HTTPError是HTTP URL在特别的情况下被抛出的URLError的一个子类。下面就详细说说URLErrorHTTPError

  URLError——handlers当运行出现问题时(通常是因为没有网络连接也就是没有路由到指定的服务器,或在指定的服务器不存在),抛出这个异常.它是IOError的子类.这个抛出的异常包括一个‘reason’ 属性,他包含一个错误编码和一个错误文字描述。如下面代码,request请求的是一个无法访问的地址,捕获到异常后我们打印reason对象可以看到错误编码和文字描述。

    import urllib2
    req = urllib2.Request(http://www.python11.org/)
     try:
         response=urllib2.urlopen(req)
     except urllib2.URLError,e:
         print e.reason
         print e.reason[0]
         print e.reason[1]

运行结果:

技术分享

  HTTPError——HTTPError是URLError的子类。每个来自服务器HTTP的response都包含“status code”. 有时status code不能处理这个request. 默认的处理程序将处理这些异常的responses。例如,urllib2发现response的URL与你请求的URL不同时也就是发生了重定向时,会自动处理。对于不能处理的请求, urlopen将抛出HTTPError异常. 典型的错误包含‘404’ (没有找到页面), ‘403’ (禁止请求),‘401’ (需要验证)等。它包含2个重要的属性reason和code。

  当一个错误被抛出的时候,服务器返回一个HTTP错误代码和一个错误页。你可以使用返回的HTTP错误示例。这意味着它不但具有code和reason属性,而且同时具有read,geturl,和info等方法,如下代码和运行结果。

import urllib2
req = urllib2.Request(http://www.python.org/fish.html)
try:
    response=urllib2.urlopen(req)
except urllib2.HTTPError,e:
    print e.code
    print e.reason
    print e.geturl()
    print e.read()

运行结果:

技术分享

   如果我们想同时处理HTTPError和URLError,因为HTTPError是URLError的子类,所以应该把捕获HTTPError放在URLError前面,如不然URLError也会捕获一个HTTPError错误,代码参考如下:

import urllib2
req = urllib2.Request(http://www.python.org/fish.html)
try:
    response=urllib2.urlopen(req)
except urllib2.HTTPError,e:
    print The server couldn\\‘t fulfill the request.
    print Error code: ,e.code
    print Error reason: ,e.reason   
except urllib2.URLError,e:
    print We failed to reach a server.
    print Reason: , e.reason
else:
    # everything is fine
    response.read()

这样捕获两个异常看着不爽,而且HTTPError还是URLError的子类,我们可以把代码改进如下:

import urllib2
req = urllib2.Request(http://www.python.org/fish.html)
try:
    response=urllib2.urlopen(req)
except urllib2.URLError as e:
    if hasattr(e, reason):
        #HTTPError and URLError all have reason attribute.
        print We failed to reach a server.
        print Reason: , e.reason
    elif hasattr(e, code):
        #Only HTTPError has code attribute.
        print The server couldn\\‘t fulfill the request.
        print Error code: , e.code
else:
    # everything is fine
    response.read()

关于错误编码因为处理程序默认的处理重定向(错误码范围在300内),错误码在100-299范围内的表示请求成功,所以通常会看到的错误代码都是在400-599的范围内。具体错误码的说明看附录。

  写到这上面多次提到了重定向,也说了重定向是如何判断的,并且程序对于重定向时默认处理的。如何禁止程序自动重定向呢,我们可以自定义HTTPRedirectHandler 类,代码参考如下:

class SmartRedirectHandler(urllib2.HTTPRedirectHandler):
    def http_error_301(self, req, fp, code, msg, headers):
        result = urllib2.HTTPRedirectHandler.http_error_301(self, req, fp, code, msg, headers)
        return result

    def http_error_302(self, req, fp, code, msg, headers):
        result = urllib2.HTTPRedirectHandler.http_error_302(self, req, fp, code, msg, headers)
        return result

附录:   

# Table mapping response codes to messages; entries have the
# form {code: (shortmessage, longmessage)}.
responses = {
    100: (Continue, Request received, please continue),
    101: (Switching Protocols,
          Switching to new protocol; obey Upgrade header),

    200: (OK, Request fulfilled, document follows),
    201: (Created, Document created, URL follows),
    202: (Accepted,
          Request accepted, processing continues off-line),
    203: (Non-Authoritative Information, Request fulfilled from cache),
    204: (No Content, Request fulfilled, nothing follows),
    205: (Reset Content, Clear input form for further input.),
    206: (Partial Content, Partial content follows.),

    300: (Multiple Choices,
          Object has several resources -- see URI list),
    301: (Moved Permanently, Object moved permanently -- see URI list),
    302: (Found, Object moved temporarily -- see URI list),
    303: (See Other, Object moved -- see Method and URL list),
    304: (Not Modified,
          Document has not changed since given time),
    305: (Use Proxy,
          You must use proxy specified in Location to access this 
          resource.),
    307: (Temporary Redirect,
          Object moved temporarily -- see URI list),

    400: (Bad Request,
          Bad request syntax or unsupported method),
    401: (Unauthorized,
          No permission -- see authorization schemes),
    402: (Payment Required,
          No payment -- see charging schemes),
    403: (Forbidden,
          Request forbidden -- authorization will not help),
    404: (Not Found, Nothing matches the given URI),
    405: (Method Not Allowed,
          Specified method is invalid for this server.),
    406: (Not Acceptable, URI not available in preferred format.),
    407: (Proxy Authentication Required, You must authenticate with 
          this proxy before proceeding.),
    408: (Request Timeout, Request timed out; try again later.),
    409: (Conflict, Request conflict.),
    410: (Gone,
          URI no longer exists and has been permanently removed.),
    411: (Length Required, Client must specify Content-Length.),
    412: (Precondition Failed, Precondition in headers is false.),
    413: (Request Entity Too Large, Entity is too large.),
    414: (Request-URI Too Long, URI is too long.),
    415: (Unsupported Media Type, Entity body in unsupported format.),
    416: (Requested Range Not Satisfiable,
          Cannot satisfy request range.),
    417: (Expectation Failed,
          Expect condition could not be satisfied.),

    500: (Internal Server Error, Server got itself in trouble),
    501: (Not Implemented,
          Server does not support this operation),
    502: (Bad Gateway, Invalid responses from another server/proxy.),
    503: (Service Unavailable,
          The server cannot process the request due to a high load),
    504: (Gateway Timeout,
          The gateway server did not receive a timely response),
    505: (HTTP Version Not Supported, Cannot fulfill request.),
    }


以上是关于urllib与urllib2的学习总结的主要内容,如果未能解决你的问题,请参考以下文章

爬虫学习——网页下载器和urllib2模块

Python之urllib,urllib2--常用步骤和进阶

将客户端证书与 urllib2 一起使用

urllib2.urlopen() 与 urllib.urlopen() - urllib2 在 urllib 工作时抛出 404!为啥?

Python2 urllib2用不了???求解。。。

python爬虫_urllib2库的基本使用