Python如何使用urllib2獲取網絡資源

urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。他以urlopen函數的形式提供了一個很是簡單的接口，
這是具備利用不一樣協議獲取URLs的能力，他一樣提供了一個比較複雜的接口來處理通常狀況，例如：基礎驗證，cookies,代理和其餘。
它們經過handlers和openers的對象提供。

urllib2支持獲取不一樣格式的URLs(在URL的」:」前定義的字串,例如：」ftp」是」ftp:python.ort/」的前綴),它們利用它們相關網絡協議(例如FTP,HTTP)
進行獲取。這篇教程關注最普遍的應用–HTTP。
對於簡單的應用，urlopen是很是容易使用的。但當你在打開HTTP的URLs時遇到錯誤或異常，你將須要一些超文本傳輸協議(HTTP)的理解。
最權威的HTTP文檔固然是RFC 2616(http://rfc.net/rfc2616.html)。這是一個技術文檔，因此並不易於閱讀。這篇HOWTO教程的目的是展示如何使用urllib2,
並提供足夠的HTTP細節來幫助你理解。他並非urllib2的文檔說明，而是起一個輔助做用。
獲取 URLs
最簡單的使用urllib2將以下所示
view plaincopy to clipboardprint?
   1. import urllib2
   2.
   3. response = urllib2.urlopen(’http://python.org/’)
   4.
   5. html = response.read()  
import urllib2 response = urllib2.urlopen(’http://python.org/’) html = response.read()
urllib2的不少應用就是那麼簡單(記住，除了」http:」,URL一樣可使用」ftp:」,」file:」等等來替代)。但這篇文章是教授HTTP的更復雜的應用。
HTTP是基於請求和應答機制的–客戶端提出請求，服務端提供應答。urllib2用一個Request對象來映射你提出的HTTP請求,在它最簡單的使用形式中你將用你要請求的
地址建立一個Request對象，經過調用urlopen並傳入Request對象，將返回一個相關請求response對象，這個應答對象如同一個文件對象，因此你能夠在Response中調用.read()。
view plaincopy to clipboardprint?
   1. import urllib2
   2.
   3. req = urllib2.Request(’http://www.voidspace.org.uk’)
   4.
   5. response = urllib2.urlopen(req)
   6.
   7. the_page = response.read()  
import urllib2 req = urllib2.Request(’http://www.voidspace.org.uk’) response = urllib2.urlopen(req) the_page = response.read()
記得urllib2使用相同的接口處理全部的URL頭。例如你能夠像下面那樣建立一個ftp請求。
req = urllib2.Request(’ftp://example.com/’)
在HTTP請求時，容許你作額外的兩件事。首先是你可以發送data表單數據，其次你可以傳送額外的關於數據或發送自己的信息(」metadata」)到服務器，此數據做爲HTTP的」headers」來發送。
接下來讓咱們看看這些如何發送的吧。
Data數據
有時候你但願發送一些數據到URL(一般URL與CGI[通用網關接口]腳本，或其餘WEB應用程序掛接)。在HTTP中,這個常用熟知的POST請求發送。這個一般在你提交一個HTML表單時由你的瀏覽器來作。
並非全部的POSTs都來源於表單，你可以使用POST提交任意的數據到你本身的程序。通常的HTML表單，data須要編碼成標準形式。而後作爲data參數傳到Request對象。編碼工做使用urllib的函數而非
urllib2。
view plaincopy to clipboardprint?
   1. import urllib
   2.
   3. import urllib2
   4.
   5.
   6.
   7. url = ‘http://www.someserver.com/cgi-bin/register.cgi’
   8.
   9. values = {’name’ : ‘Michael Foord’,
  10.
  11.           ‘location’ : ‘Northampton’,
  12.
  13.           ‘language’ : ‘Python’ }
  14.
  15.
  16.
  17. data = urllib.urlencode(values)
  18.
  19. req = urllib2.Request(url, data)
  20.
  21. response = urllib2.urlopen(req)
  22.
  23. the_page = response.read()  
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()
記住有時須要別的編碼(例如從HTML上傳文件–看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13HTML Specification, Form Submission的詳細說明)。
如ugoni沒有傳送data參數，urllib2使用GET方式的請求。GET和POST請求的不一樣之處是POST請求一般有」反作用」，它們會因爲某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。
儘管HTTP標準說的很清楚POSTs一般會產生反作用，GET請求不會產生反作用，但沒有什麼能夠阻止GET請求產生反作用，一樣POST請求也可能不產生反作用。Data一樣能夠經過在Get請求
的URL自己上面編碼來傳送。
可看以下例子
view plaincopy to clipboardprint?
   1. >>> import urllib2
   2.
   3. >>> import urllib
   4.
   5. >>> data = {}
   6.
   7. >>> data['name'] = ‘Somebody Here’
   8.
   9. >>> data['location'] = ‘Northampton’
  10.
  11. >>> data['language'] = ‘Python’
  12.
  13. >>> url_values = urllib.urlencode(data)
  14.
  15. >>> print url_values
  16.
  17. name=Somebody+Here&language=Python&location=Northampton
  18.
  19. >>> url = ‘http://www.example.com/example.cgi’
  20.
  21. >>> full_url = url + ‘?’ + url_values
  22.
  23. >>> data = urllib2.open(full_url)  
>>> 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
咱們將在這裏討論特定的HTTP頭，來講明怎樣添加headers到你的HTTP請求。
有一些站點不喜歡被程序（非人爲訪問）訪問，或者發送不一樣版本的內容到不一樣的瀏覽器。默認的urllib2把本身做爲「Python-urllib/x.y」(x和y是Python主版本和次版本號,例如Python-urllib/2.5)，
這個身份可能會讓站點迷惑，或者乾脆不工做。瀏覽器確認本身身份是經過User-Agent頭，當你建立了一個請求對象，你能夠給他一個包含頭數據的字典。下面的例子發送跟上面同樣的內容，但把自身
模擬成Internet Explorer。
view plaincopy to clipboardprint?
   1. import urllib
   2.
   3. import urllib2
   4.
   5.
   6.
   7. url = ‘http://www.someserver.com/cgi-bin/register.cgi’
   8.
   9. user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’
  10.
  11. values = {’name’ : ‘Michael Foord’,
  12.
  13.           ‘location’ : ‘Northampton’,
  14.
  15.           ‘language’ : ‘Python’ }
  16.
  17. headers = { ‘User-Agent’ : user_agent }
  18.
  19.
  20.
  21. data = urllib.urlencode(values)
  22.
  23. req = urllib2.Request(url, data, headers)
  24.
  25. response = urllib2.urlopen(req)
  26.
  27. the_page = response.read()  
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應答對象一樣有兩個頗有用的方法。看下面的節info and geturl，咱們將看到當發生錯誤時會發生什麼。
Handle Exceptions處理異常
當urlopen不可以處理一個response時，產生urlError（不過一般的Python APIs異常如ValueError,TypeError等也會同時產生）。
HTTPError是urlError的子類，一般在特定HTTP URLs中產生。
URLError
一般，URLError在沒有網絡鏈接(沒有路由到特定服務器),或者服務器不存在的狀況下產生。這種狀況下，異常一樣會帶有」reason」屬性，它是一個tuple，包含了一個錯誤號和一個錯誤信息。
例如
view plaincopy to clipboardprint?
   1. >>> req = urllib2.Request(’http://www.pretend_server.org’)
   2.
   3. >>> try: urllib2.urlopen(req)
   4.
   5. >>> except URLError, e:
   6.
   7. >>>    print e.reason
   8.
   9. >>>
  10.
  11. (4, ‘getaddrinfo failed’)  
>>> req = urllib2.Request(’http://www.pretend_server.org’)
>>> try: urllib2.urlopen(req) >>> except URLError, e:
>>> print e.reason >>> (4, ‘getaddrinfo failed’)
HTTPError
服務器上每個HTTP 應答對象response包含一個數字」狀態碼」。有時狀態碼指出服務器沒法完成請求。默認的處理器會爲你處理一部分這種應答(例如:假如response是一個」重定向」，須要客戶端從別的地址獲取文檔
，urllib2將爲你處理)。其餘不能處理的，urlopen會產生一個HTTPError。典型的錯誤包含」404″(頁面沒法找到)，」403″(請求禁止)，和」401″(帶驗證請求)。
請看RFC 2616 第十節有全部的HTTP錯誤碼
HTTPError實例產生後會有一個整型’code’屬性，是服務器發送的相關錯誤號。
Error Codes錯誤碼
由於默認的處理器處理了重定向(300之外號碼)，而且100-299範圍的號碼指示成功，因此你只能看到400-599的錯誤號碼。
BaseHTTPServer.BaseHTTPRequestHandler.response是一個頗有用的應答號碼字典，顯示了RFC 2616使用的全部的應答號。這裏爲了方便從新展現該字典。（譯者略）
當一個錯誤號產生後，服務器返回一個HTTP錯誤號，和一個錯誤頁面。你可使用HTTPError實例做爲頁面返回的應答對象response。這表示和錯誤屬性同樣，它一樣包含了read,geturl,和info方法。
view plaincopy to clipboardprint?
   1. >>> req = urllib2.Request(’http://www.python.org/fish.html’)
   2.
   3. >>> try:
   4.
   5. >>>     urllib2.urlopen(req)
   6.
   7. >>> except URLError, e:
   8.
   9. >>>     print e.code
  10.
  11. >>>     print e.read()
  12.
  13. >>>
  14.
  15. 404
  16.
  17. 
  18.
  19.     "http://www.w3.org/TR/html4/loose.dtd">
  20.
  21. 
  22.
  23.     type="text/css"?>
  24.
  25. 
  26.
  27. …… etc…  
>>> req =
urllib2.Request(’http://www.python.org/fish.html’) >>> try:
>>> urllib2.urlopen(req) >>> except URLError, e:
>>> print e.code >>> print e.read() >>> 404
…… etc…
Wrapping it Up包裝
因此若是你想爲HTTPError或URLError作準備，將有兩個基本的辦法。我則比較喜歡第二種。
第一個：
view plaincopy to clipboardprint?
   1. from urllib2 import Request, urlopen, URLError, HTTPError
   2.
   3. req = Request(someurl)
   4.
   5. try:
   6.
   7.     response = urlopen(req)
   8.
   9. except HTTPError, e:
  10.
  11.     print ‘The server couldn\’t fulfill the request.’
  12.
  13.     print ‘Error code: ‘, e.code
  14.
  15. except URLError, e:
  16.
  17.     print ‘We failed to reach a server.’
  18.
  19.     print ‘Reason: ‘, e.reason
  20.
  21. else:
  22.
  23.     # everything is fine  
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 必須在第一個，不然except URLError將一樣接受到HTTPError。
第二個：
view plaincopy to clipboardprint?
   1. from urllib2 import Request, urlopen, URLError
   2.
   3. req = Request(someurl)
   4.
   5. try:
   6.
   7.     response = urlopen(req)
   8.
   9. except URLError, e:
  10.
  11.     if hasattr(e, ‘reason’):
  12.
  13.         print ‘We failed to reach a server.’
  14.
  15.         print ‘Reason: ‘, e.reason
  16.
  17.     elif hasattr(e, ‘code’):
  18.
  19.         print ‘The server couldn\’t fulfill the request.’
  20.
  21.         print ‘Error code: ‘, e.code
  22.
  23. else:
  24.
  25.     # everything is fine  
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返回的應答對象response(或者HTTPError實例)有兩個頗有用的方法info()和geturl()
geturl — 這個返回獲取的真實的URL，這個頗有用，由於urlopen(或者opener對象使用的)或許
會有重定向。獲取的URL或許跟請求URL不一樣。
info — 這個返回對象的字典對象，該字典描述了獲取的頁面狀況。一般是服務器發送的特定頭headers。目前是httplib.HTTPMessage 實例。
經典的headers包含」Content-length」，」Content-type」，和其餘。查看Quick Reference to HTTP Headers(http://www.cs.tut.fi/~jkorpela/http.html)
獲取有用的HTTP頭列表，以及它們的解釋意義。
Openers和Handlers
當你獲取一個URL你使用一個opener(一個urllib2.OpenerDirector的實例，urllib2.OpenerDirector可能名字可能有點讓人混淆。)正常狀況下，咱們
使用默認opener — 經過urlopen,但你可以建立個性的openers，Openers使用處理器handlers，全部的「繁重」工做由handlers處理。每一個handlers知道
如何經過特定協議打開URLs，或者如何處理URL打開時的各個方面，例如HTTP重定向或者HTTP cookies。
若是你但願用特定處理器獲取URLs你會想建立一個openers，例如獲取一個能處理cookie的opener，或者獲取一個不重定向的opener。
要建立一個 opener,實例化一個OpenerDirector，而後調用不斷調用.add_handler(some_handler_instance).
一樣，可使用build_opener，這是一個更加方便的函數，用來建立opener對象，他只須要一次函數調用。
build_opener默認添加幾個處理器，但提供快捷的方法來添加或更新默認處理器。
其餘的處理器handlers你或許會但願處理代理，驗證，和其餘經常使用但有點特殊的狀況。
install_opener 用來建立（全局）默認opener。這個表示調用urlopen將使用你安裝的opener。
Opener對象有一個open方法，該方法能夠像urlopen函數那樣直接用來獲取urls：一般沒必要調用install_opener，除了爲了方便。
Basic Authentication 基本驗證
爲了展現建立和安裝一個handler，咱們將使用HTTPBasicAuthHandler，爲了更加細節的描述本主題–包含一個基礎驗證的工做原理。
請看Basic Authentication Tutorial（http://www.voidspace.org.uk/python/articles/authentication.shtml）
當須要基礎驗證時，服務器發送一個header(401錯誤碼) 請求驗證。這個指定了scheme 和一個‘realm’，看起來像這樣：Www-authenticate: SCHEME realm=」REALM」.
例如
Www-authenticate: Basic realm=」cPanel Users」
客戶端必須使用新的請求，並在請求頭裏包含正確的姓名和密碼。這是「基礎驗證」，爲了簡化這個過程，咱們能夠建立一個HTTPBasicAuthHandler的實例，並讓opener使用這個
handler。
HTTPBasicAuthHandler使用一個密碼管理的對象來處理URLs和realms來映射用戶名和密碼。若是你知道realm(從服務器發送來的頭裏)是什麼，你就能使用HTTPPasswordMgr。
一般人們不關心realm是什麼。那樣的話，就能用方便的HTTPPasswordMgrWithDefaultRealm。這個將在你爲URL指定一個默認的用戶名和密碼。這將在你爲特定realm提供一個其餘組合時
獲得提供。咱們經過給realm參數指定None提供給add_password來指示這種狀況。
最高層次的URL是第一個要求驗證的URL。你傳給.add_password()更深層次的URLs將一樣合適。
view plaincopy to clipboardprint?
   1. # 建立一個密碼管理者
   2.
   3. password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
   4.
   5.
   6.
   7. # 添加用戶名和密碼
   8.
   9. # 若是知道 realm, 咱們可使用他代替 「None「.
  10.
  11. top_level_url = 「http://example.com/foo/」
  12.
  13. password_mgr.add_password(None, top_level_url, username, password)
  14.
  15.
  16.
  17. handler = urllib2.HTTPBasicAuthHandler(password_mgr)
  18.
  19.
  20.
  21. # 建立 「opener」 (OpenerDirector 實例)
  22.
  23. opener = urllib2.build_opener(handler)
  24.
  25.
  26.
  27. # 使用 opener 獲取一個URL
  28.
  29. opener.open(a_url)
  30.
  31.
  32.
  33. # 安裝 opener.
  34.
  35. # 如今全部調用 urllib2.urlopen 將用咱們的 opener.
  36.
  37. urllib2.install_opener(opener)
  38.
  39.    
# 建立一個密碼管理者 password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
# 添加用戶名和密碼 # 若是知道 realm, 咱們可使用他代替 「None「. top_level_url =
「http://example.com/foo/」 password_mgr.add_password(None,
top_level_url, username, password) handler =
urllib2.HTTPBasicAuthHandler(password_mgr) # 建立 「opener」
(OpenerDirector 實例) opener = urllib2.build_opener(handler) # 使用 opener
獲取一個URL opener.open(a_url) # 安裝 opener. # 如今全部調用 urllib2.urlopen 將用咱們的
opener. urllib2.install_opener(opener)
注意：以上的例子咱們僅僅提供咱們的HHTPBasicAuthHandler給build_opener。默認的openers有正常情況的
handlers–ProxyHandler,UnknownHandler,HTTPHandler,HTTPDefaultErrorHandler,
HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。
top_level_url 實際上能夠是完整URL(包含」http:」,以及主機名及可選的端口號)例如：http://example.com/，也能夠是一個「authority」(即主機名和可選的
包含端口號)例如：「example.com」 or 「example.com:8080」(後者包含了端口號)。權限驗證，若是遞交的話不能包含」用戶信息」部分,例如:
「joe@password :example.com」是錯誤的。
Proxies代理urllib 將自動監測你的代理設置並使用他們。這個經過ProxyHandler這個在正常處理器鏈中的對象來處理。一般，那工做的很好。但有時不起做用
。其中一個方法即是安裝咱們本身的代理處理器ProxyHandler，並不定義代理。這個跟使用Basic Authentication 處理器很類似。
view plaincopy to clipboardprint?
   1. >>> proxy_support = urllib.request.ProxyHandler({})
   2. >>> opener = urllib.request.build_opener(proxy_support)
   3. >>> urllib.request.install_opener(opener)  
>>> proxy_support = urllib.request.ProxyHandler({})
>>> opener = urllib.request.build_opener(proxy_support)
>>> urllib.request.install_opener(opener)
注意：
此時urllib.request不支持經過代理獲取https地址。但，這個能夠經過擴展urllib.request達到目的。
Sockets and Layers
Python支持獲取網絡資源是分層結構。urllib 使用http.client庫，再調用socket庫實現。
在Python2.3你能夠指定socket的等待迴應超時時間。這個在須要獲取網頁的應用程序裏頗有用。默認的socket模型沒有超時和掛起。如今，socket超時沒有暴露
給http.client或者urllib.request層。但你能夠給全部的sockets設置全局的超時。

view plaincopy to clipboardprint?
   1. import socket
   2. import urllib.request
   3.
   4. # 以秒計算的超時時間
   5. timeout = 10
   6. socket.setdefaulttimeout(timeout)
   7.
   8. # 這個調用urllib.request.urlopen 使用咱們在socket模型裏設置的默認超時時間。
   9. req = urllib.request.Request(’http://www.voidspace.org.uk’)
  10. response = urllib.request.urlopen(req)