Python使用urllib2獲取網(wǎng)絡(luò)資源實例講解

更新時間：2013年12月02日 09:40:41 作者：

urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。他以urlopen函數(shù)的形式提供了一個非常簡單的接口，下面我們用實例講解他的使用方法

這是具有利用不同協(xié)議獲取URLs的能力，他同樣提供了一個比較復(fù)雜的接口來處理一般情況，例如：基礎(chǔ)驗證，cookies,代理和其他。
它們通過handlers和openers的對象提供。
urllib2支持獲取不同格式的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(guān)網(wǎng)絡(luò)協(xié)議(例如FTP,HTTP)
進(jìn)行獲取。這篇教程關(guān)注最廣泛的應(yīng)用--HTTP。
對于簡單的應(yīng)用，urlopen是非常容易使用的。但當(dāng)你在打開HTTP的URLs時遇到錯誤或異常，你將需要一些超文本傳輸協(xié)議(HTTP)的理解。
最權(quán)威的HTTP文檔當(dāng)然是RFC 2616(http://rfc.net/rfc2616.html)。這是一個技術(shù)文檔，所以并不易于閱讀。這篇HOWTO教程的目的是展現(xiàn)如何使用urllib2,
并提供足夠的HTTP細(xì)節(jié)來幫助你理解。他并不是urllib2的文檔說明，而是起一個輔助作用。
獲取 URLs

最簡單的使用urllib2將如下所示

復(fù)制代碼代碼如下:

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

urllib2的很多應(yīng)用就是那么簡單(記住，除了"http:",URL同樣可以使用"ftp:","file:"等等來替代)。但這篇文章是教授HTTP的更復(fù)雜的應(yīng)用。
HTTP是基于請求和應(yīng)答機制的--客戶端提出請求，服務(wù)端提供應(yīng)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
地址創(chuàng)建一個Request對象，通過調(diào)用urlopen并傳入Request對象，將返回一個相關(guān)請求response對象，這個應(yīng)答對象如同一個文件對象，所以你可以在Response中調(diào)用.read()。

復(fù)制代碼代碼如下:

import urllib2
req = urllib2.Request('http://m.dhdzp.com')
response = urllib2.urlopen(req)
the_page = response.read()

記得urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創(chuàng)建一個ftp請求。

復(fù)制代碼代碼如下:

req = urllib2.Request('ftp://example.com/')

在HTTP請求時，允許你做額外的兩件事。首先是你能夠發(fā)送data表單數(shù)據(jù)，其次你能夠傳送額外的關(guān)于數(shù)據(jù)或發(fā)送本身的信息("metadata")到服務(wù)器，此數(shù)據(jù)作為HTTP的"headers"來發(fā)送。
接下來讓我們看看這些如何發(fā)送的吧。
Data數(shù)據(jù)
有時候你希望發(fā)送一些數(shù)據(jù)到URL(通常URL與CGI[通用網(wǎng)關(guān)接口]腳本，或其他WEB應(yīng)用程序掛接)。在HTTP中,這個經(jīng)常使用熟知的POST請求發(fā)送。這個通常在你提交一個HTML表單時由你的瀏覽器來做。
并不是所有的POSTs都來源于表單，你能夠使用POST提交任意的數(shù)據(jù)到你自己的程序。一般的HTML表單，data需要編碼成標(biāo)準(zhǔn)形式。然后做為data參數(shù)傳到Request對象。編碼工作使用urllib的函數(shù)而非
urllib2。

復(fù)制代碼代碼如下:

import urllib
import urllib2

url = 'http://m.dhdzp.com'
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()

記住有時需要別的編碼(例如從HTML上傳文件--看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的詳細(xì)說明)。
如ugoni沒有傳送data參數(shù)，urllib2使用GET方式的請求。GET和POST請求的不同之處是POST請求通常有"副作用"，它們會由于某種途徑改變系統(tǒng)狀態(tài)(例如提交成堆垃圾到你的門口)。
盡管HTTP標(biāo)準(zhǔn)說的很清楚POSTs通常會產(chǎn)生副作用，GET請求不會產(chǎn)生副作用，但沒有什么可以阻止GET請求產(chǎn)生副作用，同樣POST請求也可能不產(chǎn)生副作用。Data同樣可以通過在Get請求
的URL本身上面編碼來傳送。
可看如下例子

復(fù)制代碼代碼如下:

 >>> 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://m.dhdzp.com' 
 >>> full_url = url + '?' + url_values 
 >>> data = urllib2.open(full_url) 

Headers
我們將在這里討論特定的HTTP頭，來說明怎樣添加headers到你的HTTP請求。
有一些站點不喜歡被程序（非人為訪問）訪問，或者發(fā)送不同版本的內(nèi)容到不同的瀏覽器。默認(rèn)的urllib2把自己作為“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，或者干脆不工作。瀏覽器確認(rèn)自己身份是通過User-Agent頭，當(dāng)你創(chuàng)建了一個請求對象，你可以給他一個包含頭數(shù)據(jù)的字典。下面的例子發(fā)送跟上面一樣的內(nèi)容，但把自身
模擬成Internet Explorer。

復(fù)制代碼代碼如下:

import urllib
import urllib2

url = 'http://m.dhdzp.com'
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(yīng)答對象同樣有兩個很有用的方法。看下面的節(jié)info and geturl，我們將看到當(dāng)發(fā)生錯誤時會發(fā)生什么。
Handle Exceptions處理異常
當(dāng)urlopen不能夠處理一個response時，產(chǎn)生urlError（不過通常的Python APIs異常如ValueError,TypeError等也會同時產(chǎn)生）。
HTTPError是urlError的子類，通常在特定HTTP URLs中產(chǎn)生。
URLError
通常，URLError在沒有網(wǎng)絡(luò)連接(沒有路由到特定服務(wù)器),或者服務(wù)器不存在的情況下產(chǎn)生。這種情況下，異常同樣會帶有"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

復(fù)制代碼代碼如下:

>>> req = urllib2.Request('http://m.dhdzp.com')
>>> try: urllib2.urlopen(req)
>>> except URLError, e:
>>>    print e.reason
>>>
(4, 'getaddrinfo failed')

HTTPError
服務(wù)器上每一個HTTP 應(yīng)答對象response包含一個數(shù)字"狀態(tài)碼"。有時狀態(tài)碼指出服務(wù)器無法完成請求。默認(rèn)的處理器會為你處理一部分這種應(yīng)答(例如:假如response是一個"重定向"，需要客戶端從別的地址獲取文檔
，urllib2將為你處理)。其他不能處理的，urlopen會產(chǎn)生一個HTTPError。典型的錯誤包含"404"(頁面無法找到)，"403"(請求禁止)，和"401"(帶驗證請求)。
請看RFC 2616 第十節(jié)有所有的HTTP錯誤碼
HTTPError實例產(chǎn)生后會有一個整型'code'屬性，是服務(wù)器發(fā)送的相關(guān)錯誤號。
Error Codes錯誤碼
因為默認(rèn)的處理器處理了重定向(300以外號碼)，并且100-299范圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。
BaseHTTPServer.BaseHTTPRequestHandler.response是一個很有用的應(yīng)答號碼字典，顯示了RFC 2616使用的所有的應(yīng)答號。這里為了方便重新展示該字典。（譯者略）
當(dāng)一個錯誤號產(chǎn)生后，服務(wù)器返回一個HTTP錯誤號，和一個錯誤頁面。你可以使用HTTPError實例作為頁面返回的應(yīng)答對象response。這表示和錯誤屬性一樣，它同樣包含了read,geturl,和info方法。

復(fù)制代碼代碼如下:

>>> req = urllib2.Request('http://www.python.org/fish.html')
>>> try:
>>>     urllib2.urlopen(req)
>>> except URLError, e:
>>>     print e.code
>>>     print e.read()
>>>

復(fù)制代碼代碼如下:

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包裝
所以如果你想為HTTPError或URLError做準(zhǔn)備，將有兩個基本的辦法。我則比較喜歡第二種。
第一個：

復(fù)制代碼代碼如下:

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，否則except URLError將同樣接受到HTTPError。
第二個：

復(fù)制代碼代碼如下:

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(yīng)答對象response(或者HTTPError實例)有兩個很有用的方法info()和geturl()
geturl -- 這個返回獲取的真實的URL，這個很有用，因為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不同。
info -- 這個返回對象的字典對象，該字典描述了獲取的頁面情況。通常是服務(wù)器發(fā)送的特定頭headers。目前是httplib.HTTPMessage 實例。
經(jīng)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)
獲取有用的HTTP頭列表，以及它們的解釋意義。
Openers和Handlers
當(dāng)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。)正常情況下，我們
使用默認(rèn)opener -- 通過urlopen,但你能夠創(chuàng)建個性的openers，Openers使用處理器handlers，所有的“繁重”工作由handlers處理。每個handlers知道
如何通過特定協(xié)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。
如果你希望用特定處理器獲取URLs你會想創(chuàng)建一個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。
要創(chuàng)建一個 opener,實例化一個OpenerDirector，然后調(diào)用不斷調(diào)用.add_handler(some_handler_instance).
同樣，可以使用build_opener，這是一個更加方便的函數(shù)，用來創(chuàng)建opener對象，他只需要一次函數(shù)調(diào)用。
build_opener默認(rèn)添加幾個處理器，但提供快捷的方法來添加或更新默認(rèn)處理器。
其他的處理器handlers你或許會希望處理代理，驗證，和其他常用但有點特殊的情況。
install_opener 用來創(chuàng)建（全局）默認(rèn)opener。這個表示調(diào)用urlopen將使用你安裝的opener。
Opener對象有一個open方法，該方法可以像urlopen函數(shù)那樣直接用來獲取urls：通常不必調(diào)用install_opener，除了為了方便。