urllib2使用初探

Posted 2020-08-14 Zhao-Pace

  在入门urllib2之前,我想应该先调研一下urllib与urllib2的区别[1].首先我们要明白的是,这两个模块不可以相互替代.两者都是接受URL请求的模块,但是提供了不同的功能,两个显著的区别是:

1. 对于一个URL的request,urllib2.urlopen可以接受一个request类的实例作为参数, 从而设置HTTP请求的headers; 而urllib却只可以接受一个URL,这意味着你用urllib不能伪装user agent字符串(伪装成浏览器请求).

2. urllib提供了一个urlencode方法,用来产生GET请求字符串,而urllib2却没有提供这个函数,这也是我们还需要urllib来配合urllib2进行使用的原因之一.

  此外,urllib.urlretrieve和urllib.quote等一系列quote和unquote函数没有被假如到urllib2里面,因此也需要urllib的协助.

  还有一点需要注意的是: requests模块可能urllib2模块要好用,两者可能学一即可.

1. urllib2.urlopen()函数的使用

  urllib2为我们提供了一个很基础的函数: urlopen(url[,data,[timeout]]), 来帮助我们通过给定的URL来获取网页数据(网页源代码), 返回该对象(从里面可以读数据); 参数url: 可以是包含url的字符串, 也可以是urllib2.Request类的实例. 参数data: 是经过编码的POST数据(可以使用urllib.urlencode()编码, 注意是urllib里面的函数). 参数timeout: 是可选的超时时间(单位秒), 供所有阻塞操作内部使用.

import urllib2  # 
 
url = \'https://www.zhihu.com/people/vihu\'   # 待访问的url
response = urllib2.urlopen(url)  # 请求访问/打开这个url
urlContent = response.read()    # 读取内容

读取的部分内容如下图所示:

再看下面的代码, 得到的结果和上面是相同的. HTTP基于请求-应答的机制. 由主机发出请求(Request), 然后由服务器端提供应答(urlopen). urllib2.Request(url[,data][,headers][,origin_req_host][,unverifiable]), 参数url: 请求的网址; 参数data: POST data; 参数headers: 头部

import urllib2

url = \'https://www.zhihu.com/people/vihu\'
req = urllib2.Request(url)  # 创建一个请求对象
response = urllib2.urlopen(req)  # 返回一个相关请求的response对象
urlContent = response.read()

2. Cookielib模块 

cookielib主要用于提供可存储cookie的对象, 以便于urllib2模块进行配合来访问网页的数据. jar的中文翻译为"文件" 

                   CookieJar

                         |

                FileCookieJar

            /                    \\

        MozillaCookieJar    LWPCookieJar

1) CookieJar()

    管理HTTP cookie的值, 存储HTTP请求得到的cookie, 向传出的HTTP请求添加cookie对象.

2) FileCookieJar

3) MozilaCookieJar(filename, delayload=None, policy=None)

    Mozila的中文翻译为"浏览器", 创建于浏览器cookies.txt兼容的FileCookieJar实例.

4) LWPCookieJar(filename, delayload=None, policy=None)

    创建与libwww-perl的Set-Cookie3文件格式相兼容的FileCookieJar实例.

下面是从网上找到的登录人人网的代码:

#! /usr/bin/env python
#coding=utf-8
import urllib2
import urllib
import cookielib
# 你的用户名和登录密码
data = {"email":"[e-mail]","password":"123456"}
  
# 生成的post_data为: password=123456&email=passbye%40126.com
post_data = urllib.urlencode(data)
# 用假如header,需要使用Request对象; 对有些header要注意,服务器会对其进行检查; 下面伪装成Microsoft IE 6.0 见[2]
headers = {"User-agent":"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1"}
# 发出请求
req = urllib2.Request("http://www.renren.com/PLogin.do",post_data,headers)

# 生成一个带cookie的opener, opener是urllib2.OpenerDirector的一个实例
cj = cookielib.CookieJar()  # 创建一个CookieJar, 还没有存Cookie
handler = urllib2.HTTPCookieProcessor(cj)  # 利用HTTPCookieProcessor对象来创建cookie处理器
opener = urllib2.build_opener(handler)  # 利用build_opener来创建opener

# 这里的open方法和urlopen使用类似
content = opener.open(req) print content2.read().decode("utf-8").encode("gbk")

headers: 两个词之间用 - 分隔.

• User-agent: 有些服务器或者Proxy(代理)会通过该值来判断是否是浏览器发出的请求.(有的服务端拒绝程序来访问, 这时候需要将程序伪装成浏览器来访问, 请求的方式包含在header中). User-agent的中文名为用户代理, 是一个特殊字符串头, 使得服务器能够识别客户使用的操作系统及版本, CPU类型, 浏览器版本, 浏览器渲染引擎, 浏览器语言, 浏览器插件等等. Mozilla/Version (Platform; Encryption; 
• Content-Type: 在使用REST接口时, 服务器会检查该值, 用来确定HTTP Body中的内容应该怎么解析! 常见的如: \'text/html\',\'image/jpeg\'等.

post_data:

个人信息(账号/密码)写在post_data里面, 键的命名要跟你你的网页来定义, 下面是人人网的, 用email, password关键词.

参考: 

[1] Python:difference between urllib and urllib2: http://www.hacksparrow.com/python-difference-between-urllib-and-urllib2.html

[2] Python标准库urllib2使用细节(文章): http://zhuoqiang.me/python-urllib2-usage.html

[3] 总结整理时下流行的浏览器User-Agent大全: http://www.360doc.com/content/12/1012/21/7662927_241124973.shtml

[4] urllib-URL handling modules: https://docs.python.org/3/library/urllib.html