ptyon urlib2-白红宇

ptyon urlib2

阅读量：2429 次

发布时间：2019-05-10

本文共 6850 字，大约阅读时间需要 22 分钟。

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

Python code
                      
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()。

Python code
                      
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。

Python code
                      
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。

Python code
                      
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

Python code
                      
>>> 
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。

Python code
                      
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

Python code
                      
>>> 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。

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

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：

Python code
                      
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：

Python code
                      
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
       
     