一 LWP::Simple 功能
1. 如何在Perl中使用该模块?
use LWP::Simple;
2. 如何获取一个页面内容?
my $content = get(’http://www.yahoo.com.cn’);
get函数把从www.yahoo.com.cn上获取得页面内容全部赋给$content这个变量,如果获取失败将返回一个undef的值。
3. 如何获取头(Header)?
my (b, d, $e) = header(’http://www.yahoo.com.cn’);
如果获取成功header函数将返回五个变量,$a-e分别代表内容类型,文档长度,最后更新的时间,过期和服务器名称。
4. 如何输出指定页面内容?
my $code = getprint(’http://www.yahoo.com.cn’);
getprint将试图打印www.yahoo.com.cn的内容,然后返回一个状态号,比如成功将返回200,文件没有找到将返回404。
5. 如何把获取的内容保存到一个文件中?
my $code = getstore(’http://www.yahoo.com.cn’, ‘/path/file.html’);
getstore将试图把获取的内容保存到第二个参数指定的文件中,返回一个状态号,状态号的形式如上。
6. 如何同步远程和本地文件?
my $code = mirror(’http://www.yahoo.com.cn’,'/path/file.html’);
mirror函数将比较远程和本地文件的一致性,然后返回一个状态号,比如文件相同将返回304,如果本地文件同步成功将返回200。
7. 如何测试返回状态的正确性?
is_success($code)
is_error($code)
is_success和is_error这两个函数可以传递一个状态号为参数,程序会判断返回的是否为成功状态。比如is_success(403)将返回假。
二 LWP::UserAgent 功能
1、取得页面头信息
#!/usr/bin/perluse strict;
use warnings;
use LWP::UserAgent;my $ua = LWP::UserAgent->new;
$ua->agent(’spider name’);
my $res = $ua->head(’http://www.yahoo.com.cn’);
foreach ($res->header_field_names) { print “$_: “, $res->header($_), “\n”;}
2、获取指定页面
my $ua = LWP::UserAgent->new;
$ua->agent(’spider name’);
my $response = $ua->get(’http://www.yahoo.com.cn’);
3、POST方式提交数据
use strict;
use warnings;
use LWP 5.64;
my $browser = LWP::UserAgent->new; my $word = ‘tarragon’; my $url = ‘http://www.altavista.com/sites/search/web’;
my $response = $browser->post( $url,
[ ‘q’ => $word, # the Altavista query string
‘pg’ => ‘q’, ‘avkw’ => ‘tgz’, ‘kl’ => ‘XX’,
]
);
die “$url error: “, $response->status_line
unless $response->is_success;
die “Weird content type at $url — “, $response->content_type
unless $response->content_type eq ‘text/html’;
4、通过get方式提交数据
use URI;
my $url = URI->new( ‘http://us.imdb.com/Tsearch’ );
# makes an object representing the URL $url->query_form( # And here the form data pairs:
‘title’ => ‘Blade Runner’,
‘restrict’ => ‘Movies and TV’,
); my $response = $browser->get($url);
三、HTTPS的支持
需要安装Crypt::SSLeay协议,以便支持加密传输。
命令行PPM下的安装:
ppm> install http://theoryx5.uwinnipeg.ca/ppms/Crypt-SSLeay.ppd
图形化下面的安装:
点击Edit->Preferences, Add Repository,添加http://theoryx5.uwinnipeg.ca/ppms/作为安装源。再选择Crypt-SSLeay即可。
测试代码:
use strict;
use warnings;
use LWP::UserAgent;my $url = ‘https://www.helsinki.fi/’;my $ua = LWP::UserAgent->new;
my $response = $ua->get( $url );$response->is_success or
die “Failed to GET ‘$url’: “, $response->status_line;
print $response->as_string;
perl & LWP学习笔记
use LWP::UserAgent; 通过浏览器对象发出GET, HEAD, 和 POST请求
use HTTP::Response; 返回应答结果
这两个语句可以简单的用use LWP;代替。
首先通过类,创建一个浏览器对象,该对象在整个程序中都可使用,因此只需定义一次,用该对象发出HTTP请求。浏览器对象可以使用网络代理
use LWP::UserAgent;
my $browser = LWP::UserAgent->new( );
$browser->env_proxy( ); #proxy (a server that fetches web pages for you, such as a firewall, or a web cache such as Squid).
设置这些后就可以使用get( ), head( ), 或者post( )了
$url = 'http://www.guardian.co.uk/';
my $response = $browser->get($url);
die "Hmm, error \"", $response->status_line( ),"\" when getting $url" unless $response->is_success( );
my $content_type = $response->content_type( );
die "Hm, unexpected content type $content_type from $url" unless $content_type eq 'text/html';
my $content = $response->content( );
die "Odd, the content from $url is awfully short!" if length($content) < 3000;
if($content =~ m/Madonna|Arkansas/i) {
print "<!-- The news today is IMPORTANT -->\n",
$content;
} else {
print "$url has no news of ANY CONCEIVABLE IMPORTANCE!\n";
}
在使用do_POST()和do_GET()函数时,先加载模块use LWP::UserAgent和use HTTP::Response,然后声明变量$browser用来创建LWP::UserAgent实例,由于$browser是在do_POST()和 do_GET()函数的外面创建的,所以它本质上是一个静态变量,在程序和函数中都保持其值不变,例如,如果你打开了HTTP cookies选项,那么在一次调用中由服务器设置的cookies在随后多次调用中都将不变。
详解LWP::UserAgent 和 HTTP::Response类
LWP::UserAgent
用于管理HTTP connections,并为你发出请求。用new( )创建它的一个对象
$browser = LWP::UserAgent->new(%options);
options以及他们的缺省值列于下表
Key Default
agent "libwww-perl/#.###"
conn_cache undef
cookie_jar undef
from undef
max_size undef
parse_head 1
protocols_allowed undef
protocols_forbidden undef
requests_redirectable ['GET', 'HEAD']
timeout 180
如果你需要浏览器的副本,那么使用clone()方法,如$copy = $browser->clone( );
连接参数
timeout()
设置LWP等待服务器响应的最长时间,用法:
$browser->timeout(newval);
$oldval = $browser->timeout( );
$browser->timeout(10);
print "Changed timeout from $oldval to 10\n";
max_size( )
设置user agent从HTTP Response中读取的字节数,用法:$size = $browser->max_size([bytes]),如果Response超过了maximum size,那么客户端会有一个Client-Aborted的header
$response = $browser->request($req);
if ($response->header("Client-Aborted")) {
warn "Response exceeded maximum size."
}
为了让你的浏览器对象支持HTTP Keep-Alive,调用conn_cache( )方法(属于LWP::ConnCache类)即可。使用方法:
use LWP::ConnCache;
$cache = $browser->conn_cache(LWP::ConnCache->new( ));
新创建的connection cache对象一次只能cache一个连接,为了能cache更多,设置它的total_capacity属性。
$browser->conn_cache->total_capacity(10);
如果要cache 所有的连接,$browser->conn_cache->total_capacity(undef);
请求参数
agent()属性设置和返回发送的User-Agent信息。一些网站通过User-Agent字符串来鉴别客户端的浏览器。实例:
print "My user agent name is ", $browser->agent( ), ".\n";
$browser->agent("Mozilla/4.76 [en] (Windows NT 5.0; U)");
print "And now I'm calling myself ", $browser->agent( ),"!\n";
My user agent name is libwww-perl/5.60.
And now I'm calling myself Mozilla/4.76 [en] (Windows NT 5.0;U)!
from()属性控制From信息,包括发起请求的用户的email地址。
$old_address = $browser->from([email_address]);
缺省值是undef。
cookie_jar()方法:管理发送和收到的cookie。
$old_cj_obj = $browser->cookie_jar([cj_obj])
该语句读取或设置该浏览器所有cookie的HTTP::Cookies对象,缺省是无cookie jar,也就是客户端忽略cookie。
如果只想创建一个user agent效用期间的临时cookie jar,用这样的语句:
$browser->cookie_jar(HTTP::Cookies->new);
如果想创建永久性的cookie,应该用文件,如:
my $some_file = '/home/mojojojo/cookies.lwp';
$browser->cookie_jar(HTTP::Cookies->new('file' => $some_file, 'autosave' => 1));
协议
protocols_allowed( )和protocols_forbidden( )方法用来设置允许和禁用的协议。
$aref_maybe = $browser->protocols_allowed([\@protocols]);
$aref_maybe = $browser->protocols_forbidden([\@protocols]);
如果无参数调用上述两个方法时,返回允许和禁用协议的数组的一个引用。
实例:
$browser->protocols_forbidden(["ftp"]);
$browser->protocols_allowed(["http", "gopher"]);
如果想知道LWP是否支持某个协议,用is_protocol_supported( ),如:
$boolean = $browser->is_protocol_supported(scheme);
例如:
unless ($browser->is_protocol_supported("https")) {
warn "Cannot process https:// URLs.\n";
}
重定向
默认状态下LWP::UserAgent是开启了重定向的
requests_redirectable( )属性控制客户端自动重定向的请求方法的列表。
$aref = $browser->requests_redirectable([\@methods]);
如果要禁用重定向,给上述方法传递一个空列表的引用:
$browser->requests_redirectable([]);
要把POST方法加到重定向方法的列表中,可push @{$browser->requests_redirectable}, 'POST';
redirect_ok( )方法来判断请求方法是否支持重定向,支持返回真。如:
$boolean = $browser->redirect_ok(request); #request是方法名,如"POST"
验证
credentials( )用来设置一个用户名,密码来访问一个网站上的特定域
$browser->credentials(host_port, realm, uname, pass);
realm参数为一个字符串,指定服务器上限制访问的区域。在交互式浏览中,realm是弹窗上字符串的一部分。例如,如果弹窗上显示“Enter username for Unicode-MailList-Archives at www.unicode.org”,那么realm字符串是Unicode-MailList-Archives。host_port是www.unicode.org:80,注意浏览器上是不会显示HTTP的默认端口80,以及HTTPS的默认端口443.
假设一个限制页面的地址是http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html
如果你在浏览器里请求这个地址,一个新的窗口跳出,显示Enter username and password for "Unicode-MailList-Archives" at server "www.unicode.org",请求你输入用户名和密码。单纯的用LWP请求这个页面
use LWP 5.64;
my $browser = LWP::UserAgent->new;
my $url ='http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html';
my $response = $browser->get($url);
die "Error: ", $response->header('WWW-Authenticate') ||'Error accessing',#('WWW-Authenticate' is the realm-name)"\n ", $response->status_line, "\n at $url\n Aborting" unless $response->is_success;
你将得到以下错误:
Error: Basic realm="Unicode-MailList-Archives"
401 Authorization Required at http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html
Aborting at auth1.pl line 9. [or wherever]
这是因为 LWP 不知道 host www.unicode.org 里的 “Unicode-MailList-Archives” 区的用户名和地址。解决这个问题最简单的方法是使用 credentials 方法来提供用户名和密码:
credentials 函数要在发请求之前调用.比如:
$browser->credentials( # add this to our $browser 's "key ring"
'www.unicode.org:80',
'Unicode-MailList-Archives',
'unicode-ml' => 'unicode');
代理
env_proxy()方法从环境变量http_proxy或gopher_proxy或no_proxy读取设置。
proxy()可以设置或返回从指定scheme的代理:
$browser->proxy(scheme, proxy);
$browser->proxy(\@schemes, proxy);
$proxy = $browser->proxy(scheme);
前两个语句都是给scheme设置代理,第三个是读取scheme的代理。
如:
$p = $browser->proxy("ftp");
$browser->proxy("ftp", "http://firewall:8001/");
print "Changed proxy from $p to our firewall.\n";
no_proxy()设置对特定的domain禁用代理:
$browser->no_proxy([ domain, ... ]);
$browser->no_proxy("c64.example.int", "localhost", "server");
无参数的no_proxy()表示对任何网站都禁用代理。$browser->no_proxy( ); # no exceptions to proxying
请求方法 三个:
$resp = $browser->get(url);
$resp = $browser->head(url);
$resp = $browser->post(url, \@form_data);
更复杂点的:
$resp = $browser->get(url, Header1 => Value1, Header2 =>Value2, ...);
$resp = $browser->head(url, Header1 => Value1, Header2 =>Value2, ...);
$resp = $browser->post(url, \@form_data,Header1 => Value1, Header2 => Value2,...);
实例:
$resp = $browser->get("http://www.nato.int",'Accept-Language' => 'en-US','Accept-Charset' => 'iso-8859-1,*,utf-8','Accept-Encoding' => 'gzip',
'Accept' =>"image/gif, image/x-xbitmap, image/jpeg, image/pjpeg,image/png, */*",);
将应答结果保存到文件
默认将应答结果保存到$response->content( )。这对小文件来说还比较好办。但是对MB级别的文件就就应该把他们保存到文件中,方法:
$resp = $browser->get(url, ':content_file' => filename, ...);
$resp = $browser->head(url, ':content_file' => filename, ...);
$resp = $browser->post(url, \@form_data,':content_file' => filename, ...);
这样就可以把应答结果写入指定文件名的文件。实例:
my $out = 'weather_satellite.jpg';
my $resp = $browser->get('http://weathersys.int/',':content_file' => $out,);
die "Couldn't get the weather picture: ", $response->status_line unless $response->is_success;
如果在header中加入:content_cb和一个subroutine的引用,那么应答请求不会保存在文件中和内存中。
$resp = $browser->get(url, ':content_cb' => \&mysub, ...);
$resp = $browser->head(url, ':content_cb' => \&mysub, ...);
$resp = $browser->post(url, \@form_data,':content_cb' => \&mysub, ...);
你定义的subroutine应该有两个参数,第一个是从应答中获得的数据块,第二个是最终获取的HTTP::Response对象。所以你的subroutine应该类似于:
sub callbackname {
my($data, $response) = @_;
...
实例:
my $resp = $browser->get('http://www.perl.com'':content_cb' => \&hexy,);
sub hexy {
my($data, $resp) = @_;
print length($data), " bytes:\n";
print ' ', unpack('H*', substr($data,0,16,'')), "\n"
while length $data;
return;
}
保存应答结果到文件的另一种方法
mirror()函数
$response = $browser->mirror(url_to_get, filename)
该方法会在header中加If-Modified-Since信息,用来判断本地filename的文件和远程服务器上的文件是否有更新,如果有更新就下载,如果没有就不下载。该方法返回一个HTTP::Response对象,但是没有content属性。所以应该检查$response->is_error( ),实例:
$response = $browser->mirror("http://www.cpan.org/","cpan_home.html");
if( $response->is_error( ) ){
die "Couldn't access the CPAN home page: " .$response->status_line;
}
高级方法
如果Response对象是HTML对象,那么它的<head>会被解析,部分head信息会被加入到HTTP::Response对象的headers中。如:
<html>
<head><title>Kiki's Pie Page</title>
<base href="http://cakecity.int/">
<meta name="Notes" content="I like pie!">
<meta http-equiv="Description" content="PIE RECIPES FROM
KIKI">
</head>
如果你请求该页面,并print $response->headers_as_string
返回结果:
Date: Fri, 05 Apr 2002 11:19:51 GMT
Accept-Ranges: bytes
Server: Apache/1.3.23
Content-Base: http://cakecity.int/
Content-Length: 204
Content-Type: text/html
Last-Modified: Fri, 05 Apr 2002 11:19:38 GMT
Client-Date: Fri, 05 Apr 2002 11:19:51 GMT
Description: PIE RECIPES FROM KIKI
Title: Kiki's Pie Page
X-Meta-Notes: I like pie!
你就可以单独访问那些headers了,方法:
$response->header('Content-Base')
$response->header('Description')
$response->header('Title')
$response->header('X-Meta-Notes')
HTML::HeadParser模块详细介绍了这部分内容。
HTTP::Response对象
code( )返回HTTP::Response的状态码。
status_line( )返回整个HTTP的状态行。eg:
$resp = $browser->get("http://www.cpan.org/nonesuch");
print $response->status_line( );
404 Not Found
如果只需知道状态码,用code()函数
$code = $response->code( );
如果要知道状态行的解释消息,用message( )
$msg = $response->message( );
实例:
$resp = $browser->get("http://www.cpan.org/nonesuch");
print $response->code(), " (that means ", $response->message(), " )\n";
404 (that means Not Found)
有四个函数来检测状态行的类型:is_error( ), is_success( ),is_redirect( ), 和is_info( )
$boolean = $response->is_error( );
$boolean = $response->is_success( );
$boolean = $response->is_redirect( );
$boolean = $response->is_info( );
内容
$the_file_data = $response->content( );
headers
$value = $response->header(header_name);
如果你想访问header中的Description信息,$response->header('Description')
$type = $response->content_type( ); 返回MIME类型。如果是HTML返回"text/html",如果是JPEG文件,返回"image/jpeg"
$length = $response->content_length( ); 返回body的bytes。
$lm = $response->last_modified( ); 返回最后更新时间,有时候取不到值
$encoding = response->content_encoding( );返回网页的编码,最常见的是iso-8859-1,还有utf-8。值得注意的是有时候这些信息并不准确。比如说某个网页返回的编码格式是iso- 8859-1,但实际是big5.
如果你想把所有的header信息都合并到一个字符串,并返回,调用$response->headers_as_string
过期时间
大多数服务器都会发送Date的head信息
$age = $response->current_age( ); 用来返回服务器发送该文档到现在的秒数。实例:
$age = $response->current_age( );
$days = int($age/86400); $age -= $days * 86400;
$hours = int($age/3600); $age -= $hours * 3600;
$mins = int($age/60); $age -= $minutes * 60;
$secs = $age;
print "The document is $days days, $hours hours, $mins minutes, and $secs
seconds old.\n";
The document is 0 days, 0 hours, 5 minutes, and 33seconds old.
$lifetime = $response->freshness_lifetime( ); 用来返回到过期时间还剩的秒数。例如:
$time = $response->freshness_lifetime( );
$days = int($time/86400); $time -= $days * 86400;
$hours = int($time/3600); $time -= $hours * 3600;
$mins = int($time/60); $time -= $mins * 60;
$secs = int($time);
print "The document expires in $days days, $hours hours, $mins minutes, and $secs seconds.\n";
The document expires in 0 days, 23 hours, 6 minutes, and 15 seconds.
$boolean = $response->is_fresh( );用来返回文档是否过期
$expires = $response->fresh_until( );用来返回过期时间
例如
$expires = $response->fresh_until( );
print "This document is good until ", scalar(localtime($expires)), "\n";
This document is good until Tue Feb 26 07:36:08 2004
相对路径
LWP可以将相对路径转化成绝对路径。前提是你的知道URL的base。可用base()函数
$url = $response->base( );
相关推荐
离线安装包,亲测可用
离线安装包,亲测可用
官方离线安装包,测试可用。使用rpm -ivh [rpm完整包名] 进行安装
官方离线安装包,测试可用。使用rpm -ivh [rpm完整包名] 进行安装
标题提到的"strawberry-perl-5.32.1.1-64bit.msi"是Windows平台上的Strawberry Perl发行版的安装包,版本号为5.32.1.1,适用于64位操作系统。Strawberry Perl是一个完整的Perl环境,包含了Perl解释器以及许多常用的...
离线安装包,亲测可用
通过`cpan`或`cpanm`(CPAN Mini)命令,用户可以方便地安装和更新Perl模块,如DBI用于数据库交互,LWP::UserAgent用于HTTP请求等。 总的来说,Perl 5.14.1在Linux系统中的安装和使用涉及编译源代码、配置系统环境...
例如,如果你需要进行网络编程,你可以安装LWP::UserAgent模块;如果需要处理XML,可以安装XML::Simple模块。在使用ActivePerl时,可以利用Perl的ppm(Perl Package Manager)工具来安装这些模块。 总的来说,这个...
以下是对Perl和LWP网络爬虫的深入解释: 首先,Perl是一种功能强大的脚本语言,广泛应用于文本处理、系统管理任务和Web开发。在Web爬虫领域,Perl提供了丰富的库和模块,如LWP,使得开发高效且灵活的网络爬虫变得...
"Perl开发环境.zip" 提供的是在Windows操作系统上搭建Perl开发环境的资源,具体是"strawberry-perl-5.32.0.1-64bit.msi" 文件,这是一个64位的Perl解释器安装程序。 Strawberry Perl 是Perl在Windows上的一个受欢迎...
本书《Perl and LWP 高清版》是由Sean M. Burke所著,首次出版于2002年6月。这本书详细地介绍了如何使用Perl编程语言和LWP(Library for the World-Wide Web)模块来自动化和简化网络相关的任务。LWP是一个强大的库...
LWP ("Library for WWW in Perl" 的缩写) 是一个由多个模块组成,用来获取网络数据的的模块组。...要对 LWP 做全面的介绍需要一整本书,很幸运,Perl & LWP 已经出版。而这篇文章向你介绍了最常见的 LWP 用法。
Strawberry Perl是一款针对Windows平台的Perl开发环境,它的全名是"strawberry-perl-5.10.1.0.msi"。这个文件是Perl 5.10.1版本的安装程序,用于在Windows系统上安装Perl解释器和一系列相关工具。Perl是一种功能强大...
例如,DBI模块用于数据库访问,CGI模块用于Web服务器脚本,LWP模块则用于网络请求。 在Symbian开发中,Perl可能用于创建脚本来自动化构建过程,生成项目文件,或者进行代码分析。由于Symbian是一个封闭且复杂的平台...
另一方面,libwww-perl是一个用于HTTP(超文本传输协议)交互的Perl模块,它提供了LWP::UserAgent对象,使得Perl程序能够发送HTTP请求并处理响应。LWP::UserAgent的主要特性有: 1. **发起HTTP请求**:你可以通过...
根据提供的文件信息“perl-pocket-ref-5.004.1.pdf”,这是一份关于Perl 5.004版本的快速参考指南。该文档详细介绍了Perl编程语言的基础语法、变量、运算符、函数等内容,并提供了针对不同应用场景的实用模块介绍。...
通过CPAN,你可以轻松安装和使用其他开发者编写的代码,如`DateTime`模块用于处理日期和时间,`LWP::UserAgent`模块用于网络请求等。 ```perl use strict; use warnings; use DateTime; my $dt = DateTime->now();...
CPAU 以管理员或受限用户运行程序及其它工具 ...内含CPAU.exe、BAT转EXE、图标提取. 大概用法: CPAU.exe -u administrator -p Password1 -ex “C:\Program Files\...-lwp 如果是本地帐号,必须使用此帐号才能交互式认证
通过搜索和安装相关的模块,可以快速集成各种功能,比如DBI模块用于数据库操作,LWP模块用于网络请求,Text::CSV用于处理CSV文件等。 最后,持续实践和参与社区是提升Perl技能的有效途径。可以参与开源项目,解决...
`-M`参数则方便引入模块,如`perl -MLWP::Simple -e 'print head "http://www.example.com"'`,等同于`use LWP::Simple; print head "http://www.example.com";`。如果需要控制模块的导入行为,可以使用`-m`参数。 ...