【转】Python如何使用urllib2获取网络资源

urllib2是Python的一个获取URLs(Uniform Resource Locators)的组件。他以urlopen函数的形式提供了一个非常简单的接口，
这是具有利用不同协议获取URLs的能力，他同样提供了一个比较复杂的接口来处理一般情况，例如：基础验证，cookies,代理和其他。
它们通过handlers和openers的对象提供。

urllib2支持获取不同格式的URLs(在URL的”:”前定义的字串,例如：”ftp”是”ftp:python.ort/”的前缀),它们利用它们相关网络协议(例如FTP,HTTP)
进行获取。这篇教程关注最广泛的应用–HTTP。
对于简单的应用，urlopen是非常容易使用的。但当你在打开HTTP的URLs时遇到错误或异常，你将需要一些超文本传输协议(HTTP)的理解。
最权威的HTTP文档当然是RFC 2616(http://rfc.net/rfc2616.html)。这是一个技术文档，所以并不易于阅读。这篇HOWTO教程的目的是展现如何使用urllib2,
并提供足够的HTTP细节来帮助你理解。他并不是urllib2的文档说明，而是起一个辅助作用。
获取 URLs
最简单的使用urllib2将如下所示
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的很多应用就是那么简单(记住，除了”http:”,URL同样可以使用”ftp:”,”file:”等等来替代)。但这篇文章是教授HTTP的更复杂的应用。
HTTP是基于请求和应答机制的–客户端提出请求，服务端提供应答。urllib2用一个Request对象来映射你提出的HTTP请求,在它最简单的使用形式中你将用你要请求的
地址创建一个Request对象，通过调用urlopen并传入Request对象，将返回一个相关请求response对象，这个应答对象如同一个文件对象，所以你可以在Response中调用.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()
记得urllib2使用相同的接口处理所有的URL头。例如你可以像下面那样创建一个ftp请求。
req = urllib2.Request(’ftp://example.com/’)
在HTTP请求时，允许你做额外的两件事。首先是你能够发送data表单数据，其次你能够传送额外的关于数据或发送本身的信息(”metadata”)到服务器，此数据作为HTTP的”headers”来发送。
接下来让我们看看这些如何发送的吧。
Data数据
有时候你希望发送一些数据到URL(通常URL与CGI[通用网关接口]脚本，或其他WEB应用程序挂接)。在HTTP中,这个经常使用熟知的POST请求发送。这个通常在你提交一个HTML表单时由你的浏览器来做。
并不是所有的POSTs都来源于表单，你能够使用POST提交任意的数据到你自己的程序。一般的HTML表单，data需要编码成标准形式。然后做为data参数传到Request对象。编码工作使用urllib的函数而非
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()
记住有时需要别的编码(例如从HTML上传文件–看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的详细说明)。
如ugoni没有传送data参数，urllib2使用GET方式的请求。GET和POST请求的不同之处是POST请求通常有”副作用”，它们会由于某种途径改变系统状态(例如提交成堆垃圾到你的门口)。
尽管HTTP标准说的很清楚POSTs通常会产生副作用，GET请求不会产生副作用，但没有什么可以阻止GET请求产生副作用，同样POST请求也可能不产生副作用。Data同样可以通过在Get请求
的URL本身上面编码来传送。
可看如下例子
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
我们将在这里讨论特定的HTTP头，来说明怎样添加headers到你的HTTP请求。
有一些站点不喜欢被程序（非人为访问）访问，或者发送不同版本的内容到不同的浏览器。默认的urllib2把自己作为“Python-urllib/x.y”(x和y是Python主版本和次版本号,例如Python-urllib/2.5)，
这个身份可能会让站点迷惑，或者干脆不工作。浏览器确认自己身份是通过User-Agent头，当你创建了一个请求对象，你可以给他一个包含头数据的字典。下面的例子发送跟上面一样的内容，但把自身
模拟成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应答对象同样有两个很有用的方法。看下面的节info and geturl，我们将看到当发生错误时会发生什么。
Handle Exceptions处理异常
当urlopen不能够处理一个response时，产生urlError（不过通常的Python APIs异常如ValueError,TypeError等也会同时产生）。
HTTPError是urlError的子类，通常在特定HTTP URLs中产生。
URLError
通常，URLError在没有网络连接(没有路由到特定服务器),或者服务器不存在的情况下产生。这种情况下，异常同样会带有”reason”属性，它是一个tuple，包含了一个错误号和一个错误信息。
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
服务器上每一个HTTP 应答对象response包含一个数字”状态码”。有时状态码指出服务器无法完成请求。默认的处理器会为你处理一部分这种应答(例如:假如response是一个”重定向”，需要客户端从别的地址获取文档
，urllib2将为你处理)。其他不能处理的，urlopen会产生一个HTTPError。典型的错误包含”404″(页面无法找到)，”403″(请求禁止)，和”401″(带验证请求)。
请看RFC 2616 第十节有所有的HTTP错误码
HTTPError实例产生后会有一个整型’code’属性，是服务器发送的相关错误号。
Error Codes错误码
因为默认的处理器处理了重定向(300以外号码)，并且100-299范围的号码指示成功，所以你只能看到400-599的错误号码。
BaseHTTPServer.BaseHTTPRequestHandler.response是一个很有用的应答号码字典，显示了RFC 2616使用的所有的应答号。这里为了方便重新展示该字典。（译者略）
当一个错误号产生后，服务器返回一个HTTP错误号，和一个错误页面。你可以使用HTTPError实例作为页面返回的应答对象response。这表示和错误属性一样，它同样包含了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包装
所以如果你想为HTTPError或URLError做准备，将有两个基本的办法。我则比较喜欢第二种。
第一个：
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 必须在第一个，否则except URLError将同样接受到HTTPError。
第二个：
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返回的应答对象response(或者HTTPError实例)有两个很有用的方法info()和geturl()
geturl — 这个返回获取的真实的URL，这个很有用，因为urlopen(或者opener对象使用的)或许
会有重定向。获取的URL或许跟请求URL不同。
info — 这个返回对象的字典对象，该字典描述了获取的页面情况。通常是服务器发送的特定头headers。目前是httplib.HTTPMessage 实例。
经典的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)
获取有用的HTTP头列表，以及它们的解释意义。
Openers和Handlers
当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例，urllib2.OpenerDirector可能名字可能有点让人混淆。)正常情况下，我们
使用默认opener — 通过urlopen,但你能够创建个性的openers，Openers使用处理器handlers，所有的“繁重”工作由handlers处理。每个handlers知道
如何通过特定协议打开URLs，或者如何处理URL打开时的各个方面，例如HTTP重定向或者HTTP cookies。
如果你希望用特定处理器获取URLs你会想创建一个openers，例如获取一个能处理cookie的opener，或者获取一个不重定向的opener。
要创建一个 opener,实例化一个OpenerDirector，然后调用不断调用.add_handler(some_handler_instance).
同样，可以使用build_opener，这是一个更加方便的函数，用来创建opener对象，他只需要一次函数调用。
build_opener默认添加几个处理器，但提供快捷的方法来添加或更新默认处理器。
其他的处理器handlers你或许会希望处理代理，验证，和其他常用但有点特殊的情况。
install_opener 用来创建（全局）默认opener。这个表示调用urlopen将使用你安装的opener。
Opener对象有一个open方法，该方法可以像urlopen函数那样直接用来获取urls：通常不必调用install_opener，除了为了方便。
Basic Authentication 基本验证
为了展示创建和安装一个handler，我们将使用HTTPBasicAuthHandler，为了更加细节的描述本主题–包含一个基础验证的工作原理。
请看Basic Authentication Tutorial（http://www.voidspace.org.uk/python/articles/authentication.shtml）
当需要基础验证时，服务器发送一个header(401错误码) 请求验证。这个指定了scheme 和一个‘realm’，看起来像这样：Www-authenticate: SCHEME realm=”REALM”.
例如
Www-authenticate: Basic realm=”cPanel Users”
客户端必须使用新的请求，并在请求头里包含正确的姓名和密码。这是“基础验证”，为了简化这个过程，我们可以创建一个HTTPBasicAuthHandler的实例，并让opener使用这个
handler。
HTTPBasicAuthHandler使用一个密码管理的对象来处理URLs和realms来映射用户名和密码。如果你知道realm(从服务器发送来的头里)是什么，你就能使用HTTPPasswordMgr。
通常人们不关心realm是什么。那样的话，就能用方便的HTTPPasswordMgrWithDefaultRealm。这个将在你为URL指定一个默认的用户名和密码。这将在你为特定realm提供一个其他组合时
得到提供。我们通过给realm参数指定None提供给add_password来指示这种情况。
最高层次的URL是第一个要求验证的URL。你传给.add_password()更深层次的URLs将同样合适。
view plaincopy to clipboardprint?
   1. # 创建一个密码管理者
   2.
   3. password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
   4.
   5.
   6.
   7. # 添加用户名和密码
   8.
   9. # 如果知道 realm, 我们可以使用他代替 “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. # 创建 “opener” (OpenerDirector 实例)
  22.
  23. opener = urllib2.build_opener(handler)
  24.
  25.
  26.
  27. # 使用 opener 获取一个URL
  28.
  29. opener.open(a_url)
  30.
  31.
  32.
  33. # 安装 opener.
  34.
  35. # 现在所有调用 urllib2.urlopen 将用我们的 opener.
  36.
  37. urllib2.install_opener(opener)
  38.
  39.   
# 创建一个密码管理者 password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
# 添加用户名和密码 # 如果知道 realm, 我们可以使用他代替 “None“. top_level_url =
“http://example.com/foo/” password_mgr.add_password(None,
top_level_url, username, password) handler =
urllib2.HTTPBasicAuthHandler(password_mgr) # 创建 “opener”
(OpenerDirector 实例) opener = urllib2.build_opener(handler) # 使用 opener
获取一个URL opener.open(a_url) # 安装 opener. # 现在所有调用 urllib2.urlopen 将用我们的
opener. urllib2.install_opener(opener)
注意：以上的例子我们仅仅提供我们的HHTPBasicAuthHandler给build_opener。默认的openers有正常状况的
handlers–ProxyHandler,UnknownHandler,HTTPHandler,HTTPDefaultErrorHandler,
HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。
top_level_url 实际上可以是完整URL(包含”http:”,以及主机名及可选的端口号)例如：http://example.com/，也可以是一个“authority”(即主机名和可选的
包含端口号)例如：“example.com” or “example.com:8080”(后者包含了端口号)。权限验证，如果递交的话不能包含”用户信息”部分,例如:
“joe@password:example.com”是错误的。
Proxies代理urllib 将自动监测你的代理设置并使用他们。这个通过ProxyHandler这个在正常处理器链中的对象来处理。通常，那工作的很好。但有时不起作用
。其中一个方法便是安装我们自己的代理处理器ProxyHandler，并不定义代理。这个跟使用Basic Authentication 处理器很相似。
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：
此时urllib.request不支持通过代理获取https地址。但，这个可以通过扩展urllib.request达到目的。
Sockets and Layers
Python支持获取网络资源是分层结构。urllib 使用http.client库，再调用socket库实现。
在Python2.3你可以指定socket的等待回应超时时间。这个在需要获取网页的应用程序里很有用。默认的socket模型没有超时和挂起。现在，socket超时没有暴露
给http.client或者urllib.request层。但你可以给所有的sockets设置全局的超时。

view plaincopy to clipboardprint?
   1. import socket
   2. import urllib.request
   3.
   4. # 以秒计算的超时时间
   5. timeout = 10
   6. socket.setdefaulttimeout(timeout)
   7.
   8. # 这个调用urllib.request.urlopen 使用我们在socket模型里设置的默认超时时间。
   9. req = urllib.request.Request(’http://www.voidspace.org.uk’)
  10. response = urllib.request.urlopen(req)