Python 中哪个最好：urllib2、PycURL 或 mechanize？

Posted 2023-02-22

【中文标题】Python 中哪个最好：urllib2、PycURL 或 mechanize？

【英文标题】：Which is best in Python: urllib2, PycURL or mechanize?

【发布时间】：2011-01-24 01:24:28

【问题描述】：

好的，所以我需要使用 Python 下载一些网页并快速调查我的选项。

包含在 Python 中：

urllib - 在我看来，我应该改用 urllib2。 urllib 不支持 cookie，仅支持 HTTP/FTP/本地文件（无 SSL）

urllib2 - 完整的 HTTP/FTP 客户端，支持最需要的东西，比如 cookie，不支持所有 HTTP 动词（只有 GET 和 POST，没有 TRACE 等）

功能齐全：

mechanize - 可以使用/保存 Firefox/IE cookie，采取跟随第二个链接等操作，积极维护（2011 年 3 月发布的 0.2.5）

PycURL - 支持 curl 所做的一切（FTP、FTPS、HTTP、HTTPS、GOPHER、TELNET、DICT、FILE 和 LDAP），坏消息：自 2008 年 9 月 9 日 (7.19.0) 起未更新

新的可能性：

urllib3 - 支持连接重用/池化和文件发布

已弃用（也就是改用 u​​rllib/urllib2）：

httplib - 仅 HTTP/HTTPS（无 FTP）

httplib2 - 仅 HTTP/HTTPS（无 FTP）

让我印象深刻的第一件事是 urllib/urllib2/PycURL/mechanize 都是非常成熟且运行良好的解决方案。 mechanize 和 PycURL 附带了许多 Linux 发行版（例如 Fedora 13）和 BSD，因此安装通常不是问题（这很好）。

urllib2 看起来不错，但我想知道为什么 PycURL 和 mechanize 看起来都非常受欢迎，我是否缺少某些东西（即，如果我使用 urllib2，我会在某个时候把自己画到一个角落吗？）。我真的很想得到一些关于这些东西的利弊的反馈，这样我就可以为自己做出最好的选择。

编辑：在 urllib2 中添加了关于动词支持的注释

【问题讨论】：

“最好”是什么意思？最好在什么方面？最快的？最大的？ Cookie 的最佳用途？你需要做什么？

httplib 没有被“弃用”。它是 urllib2 构建在其之上的较低级别的模块。你可以直接使用它，但通过 urllib2 更容易

科里所说的，例如urllib3 是 httplib 之上的一层。此外，httplib2 并没有被弃用——实际上它比 urllib2 更新，并且修复了连接重用等问题（与 urllib3 相同）。

有一个更新的库叫做 requests。见docs.python-requests.org/en/latest/index.html

在此使用@ustun：使用请求。

【参考方案1】：

我认为这个演讲（在 pycon 2009 上）可以找到您正在寻找的答案（Asheesh Laroia 在这方面有很多经验）。他从您的大部分列表中指出了好与坏

Scrape the Web: Strategies for programming websites that don't expect it (Part 1 of 3) Scrape the Web: Strategies for programming websites that don't expect it (Part 2 of 3) Scrape the Web: Strategies for programming websites that don't expect it (Part 3 of 3)

来自 PYCON 2009 时间表：

你是否发现自己面临着 拥有您需要的数据的网站 提炼？ 如果你的生活会更简单 您可以以编程方式输入数据 进入网络应用程序，甚至那些 调整为抵抗机器人交互？

我们将讨论网络的基础知识 刮，然后潜入 不同方法的详细信息以及在哪里 它们是最适用的。

你会离开 了解何时申请 不同的工具，并了解 刮屏的“重锤” 我在一个项目中捡到的 电子前沿基金会。

参加者应携带笔记本电脑，如果 可能，尝试我们的例子 讨论并选择性地做笔记。

更新： Asheesh Laroia 更新了他的 pycon 2010 演示文稿

PyCon 2010: Scrape the Web: Strategies for programming websites that don't expected it

* My motto: "The website is the API."
* Choosing a parser: BeautifulSoup, lxml, HTMLParse, and html5lib.
* Extracting information, even in the face of bad HTML: Regular expressions, BeautifulSoup, SAX, and XPath.
* Automatic template reverse-engineering tools.
* Submitting to forms.
* Playing with XML-RPC
* DO NOT BECOME AN EVIL COMMENT SPAMMER.
* Countermeasures, and circumventing them:
      o IP address limits
      o Hidden form fields
      o User-agent detection
      o javascript
      o CAPTCHAs 
* Plenty of full source code to working examples:
      o Submitting to forms for text-to-speech.
      o Downloading music from web stores.
      o Automating Firefox with Selenium RC to navigate a pure-JavaScript service. 
* Q&A; and workshopping
* Use your power for good, not evil. 

更新 2：

PyCon US 2012 - Web scraping: Reliably and efficiently pull data from pages that don't expect it

令人兴奋的信息被困在网页和 HTML 表单后面。在本教程中，>您将学习如何解析这些页面以及何时应用使 >scraping 更快、更稳定的高级技术。我们将介绍 Twisted、gevent 等的并行下载；分析 SSL 背后的网站；使用 Selenium 驱动 JavaScript-y 网站；和 >规避常见的反刮擦技术。

【讨论】：

两三句话总结演讲的建议会很棒，对于那些没有时间听的人来说。 :-)

【参考方案2】：

要“获取一些网页”，请使用 requests！

来自http://docs.python-requests.org/en/latest/：

Python 的标准 urllib2 模块提供了大部分 HTTP 您需要的功能，但 API 已被彻底破坏。它建于 不同的时间——不同的网络。它需要一个巨大的 执行最简单的工作量（甚至方法覆盖） 任务。

事情不应该是这样的。不在 Python 中。

>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
>>> r.status_code
200
>>> r.headers['content-type']
'application/json; charset=utf8'
>>> r.encoding
'utf-8'
>>> r.text
u'"type":"User"...'
>>> r.json()
u'private_gists': 419, u'total_private_repos': 77, ...

【参考方案3】：

看看 Grab (http://grablib.org)。它是一个网络库，提供两个主要接口： 1) Grab 用于创建网络请求和解析检索到的数据 2) 用于创建批量网站抓取工具的蜘蛛

在底层 Grab 使用 pycurl 和 lxml，但也可以使用其他网络传输（例如，请求库）。请求传输尚未经过良好测试。

【参考方案4】：

Python requests 也是 HTTP 的一个很好的候选者。它有一个更好的 api 恕我直言，一个来自官方文档的 http 请求示例：

>>> r = requests.get('https://api.github.com', auth=('user', 'pass'))
>>> r.status_code
204
>>> r.headers['content-type']
'application/json'
>>> r.content
...

【讨论】：

请求内部使用 urllib3

【参考方案5】：

每个使用 HTTP 的 Python 库都有其自身的优势。

使用具有特定任务所需功能最少的那个。

您的列表至少缺少 urllib3 - 一个很酷的第三方 HTTP 库，它可以重用 HTTP 连接，从而大大加快了从同一站点检索多个 URL 的过程。

【讨论】：

requests 在后台使用 urllib3。

【参考方案6】：

Urllib2 仅支持 HTTP GET 和 POST，可能有一些变通方法，但如果您的应用依赖于其他 HTTP 动词，您可能会更喜欢不同的模块。

【讨论】：

不正确。见Python - HEAD request with urllib2

@Piotr Dobrogost。还是很真实的。在您可以使用urllib2.urlopen 生成HEAD 请求之前，它是不受支持的。创建自定义子类！= HEAD 支持。我可以创建一个int 子类来生成HTML，但是说python int 可以生成HTML 是毫无意义的。

在您可以使用 urllib2.urlopen 生成 HEAD 请求之前，它是不受支持的。 是什么让您这么认为？ 创建自定义子类！= HEAD 支持。 HEAD 支持 的哪一部分缺少 urllib2？

@Piotr Dobrogost，我认为是这样，因为 api 不支持它。如果您可以指出ullib2.urlopen 生成非 GET 或 POST 请求的示例，我将删除我的答案。

【参考方案7】：

不用担心“上次更新”。 HTTP 在过去几年没有太大变化；）

urllib2 是最好的（因为它是内置的），如果您需要来自 Firefox 的 cookie，则切换到机械化。 mechanize 可以用作 urllib2 的替代品——它们具有类似的方法等。使用 Firefox cookie 意味着您可以使用您的个人登录凭据从站点（例如 ***）获取内容。只需对您的请求数量负责（否则您将被阻止）。

PycURL 适用于需要 libcurl 中所有低级内容的人。我会先尝试其他库。

【讨论】：

requests 在存储 cookie 中也很有用。使用请求创建一个新会话，然后调用 sessionName.get() 而不是 requests.get()。然后 Cookie 将存储在您的会话中。例如，一旦您使用会话登录到网站，您将能够使用您的会话作为登录用户执行其他 http 请求。

【参考方案8】：

urllib2 可以在任何地方的每个 Python 安装中找到，因此是一个很好的起点。 PycURL 对于已经习惯使用 libcurl 的人很有用，它公开了更多 HTTP 的低级细节，此外它还获得了适用于 libcurl 的任何修复或改进。 mechanize 用于持续驱动连接，就像浏览器一样。

这不是一个比另一个更好的问题，而是为工作选择合适的工具的问题。

【讨论】：

我已经在我的 python 应用程序中实现了 httplib2。 httplib2 是否支持 NTLM？如果不是我必须为 NTLM 身份验证做什么？注意：我发现 httplib2 不支持 NTLM。

@Ayyappan urllib3 通过 contrib 子模块支持 NTLM：urllib3/contrib/ntlmpool.py