python的urllib2包基本使用方

【另附】：python笔记系列

1. urllib2.urlopen(request)

url = "Http://www.baidu.com"
#url还可以是其他协议的路径，比如ftp

values = {'name' : 'Michael Foord', 'location' : 'Northampton', language' : 'Python' } 
data = urllib.urlencode(values)
    
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; windows NT)'
headers = { 'User-Agent' : user_agent }
    
request = urllib2.Request(url, data, headers)
#也可以这样设置header：request.add_header('User-Agent', 'fake-client')

response = urllib2.urlopen(request)
html = response.read()

        就是这样，其实urllib2的urlopen()方法是打开一个url的最基本的使用方法，需要传入一个参数request，其实就是常见的Request对象，其中可以包含url，data（向服务器传输数据，比如常见的fORM表单数据），还有设置header参数（有些服务器会拒绝未包含header的机器人请求）。

最后获取的网页需要使用response对象的read()方法来读取，否则只能得到一个对象的内存地址。

2.创建Opener对象以实现Cookie与其它HTTP功能

2.1  cookie处理

        urlopen()函数不支持 验证、cookie 或 其他HTTP高级功能。要支持这些功能，必须使用build_opener()函数来创建自己的自定义Opener对象。

        如果要管理HTTP cookie，需要创建添加了HTTPCookieProcessor处理程序的opener对象。默认情况下。HTTPCookieProcessor使用Cookiejar对象，将不同类型的CookieJar对象作为HTTPCookieProcessor的参数提供，可支持不同的cookie处理。

mcj=cookielib.MozillaCookieJar("cookies.txt")
cookiehand=HTTPCookieProcessor(mcj)
opener=urllib2.build_opener(cookiehand)
u=opener.open(http://www.baidu.com)

2.2  认证

passWord_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
top_level_url = "http://www.163.com/"
password_mgr.add_password(None, top_level_url, username, password)
handler = urllib2.HTTPBasicAuthHandler(password_mgr)
opener = urllib2.build_opener(handler)
urllib2.install_opener(opener)

2.3  代理

        urllib2会自动检测代理设置，默认使用环境变量http_proxy 来设置 HTTP Proxy。如果想在程序中明确Proxy的使用而不受环境变量的影响，可以通过创建ProxyHandler实例，并将实例作为build_opener()的参数来实现。

import urllib2
 
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
 
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
 
urllib2.install_opener(opener)

这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

2.4  Timeout设置

        在老版本中，urllib2 的 api 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

importurllib2
importsocket

socket.setdefaulttimeout(10) # 10 秒钟后超时
urllib2.socket.setdefaulttimeout(10) # 另一种方式

在新的 Python 2.6 版本中，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

importurllib2
response = urllib2.urlopen('http://www.Google.com', timeout=10)

2.5  设置Header

在urlopen()基本用法中有提基本的用法：

request = urllib2.Request(url, data, headers)

也可以在生成了request对象之后设置

importurllib2
request =urllib2.Request(uri)
request.add_header('User-Agent', 'fake-client')
response = urllib2.urlopen(request)

对有些 header 要特别留意，Server 端会针对这些 header 做检查，

• User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request

• Content-Type 在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。

  • application/xml ：在 XML rpc，如 RESTful/SOAP 调用时使用

  • application/JSON ：在 jsON RPC 调用时使用

  • application/x-www-form-urlencoded ：浏览器提交 WEB 表单时使用

  • ……

  • 常见的取值有：

        在使用 RPC 调用 Server 提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致 Server 拒绝服务。

2.6  Redirect重定向

        urllib2 默认情况下会针对 3xx HTTP 返回码自动进行 Redirect 动作，无需人工配置。要检测是否发生了 Redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

 importurllib2

response =urllib2.urlopen('http://www.google.cn')
whether_redirected = response.geturl() == 'http://www.google.cn'

如果不想自动 Redirect，除了使用更低层次的 httplib 库之外，还可以使用自定义的 HTTPRedirectHandler 类。

importurllib2

class RedirectHandler(urllib2.HTTPRedirectHandler):

   def http_error_301(self, req, fp, code, msg, headers):
       pass    
   def http_error_302(self, req, fp, code, msg, headers):
       pass 
        
   opener =urllib2.build_opener(RedirectHandler)
   opener.open('http://www.google.cn')

2.7  使用 HTTP 的 PUT 和 DELETE 方法

        urllib2 只支持 HTTP 的 GET 和 POST 方法，如果要使用 HTTP PUT 和 DELETE，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 HTTP PUT 或 DELETE 的包：

importurllib2 

request =urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT'# or 'DELETE'
response = urllib2.urlopen(request)

这种做法虽然属于 Hack 的方式，但实际使用起来也没什么问题。

2.8  获取HTTP返回码

        对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

importurllib2

try:
    response =urllib2.urlopen('http://restrict.web.com')
except urllib2.HTTPError, e:
    print e.code

2.9  Debug Log

使用 urllib2 时，可以通过下面的方法把 Debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便我们调试，在一定程度上可以省去抓包的工作。

import urllib2

httpHandler =urllib2.HTTPHandler(debuglevel=1)
httpsHandler =urllib2.HTTPSHandler(debuglevel=1)

opener =urllib2.build_opener(httpHandler, httpsHandler)  urllib2.install_opener(opener)

response = urllib2.urlopen('http://www.google.com')