Python中urllib2总结

使用Python访问网页主要有三种方式：urllib,urllib2,httplib

urllib比较简单，功能相对也比较弱，httplib简单强大，但好像不支持session

1.最简单的页面访问

res=urllib2.urlopen(url)printres.read()2.加上要get或post的数据

data={"name":"hank","passwd":"hjz"}

urllib2.urlopen(url,urllib.urlencode(data))3.加上http头

header={"User-Agent":"Mozilla-Firefox5.0"}

request=urllib2.Request(url,urllib.urlencode(data),header)urllib2.urlopen(request)使用opener和handler

opener=urllib2.build_opener(handler)urllib2.install_opener(opener)4.加上session

cj=cookielib.CookieJar()#在内存中加载cookie

cookie=cookielib.LWPCookieJar()#在硬盘中存储cookie

cjhandler=urllib2.HTTPCookieProcessor(cj)opener=urllib2.build_opener(cjhandler)urllib2.install_opener(opener)5.加上Basic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)6.使用代理

proxy_support=urllib2.ProxyHandler({"http":"http://1.2.3.4:3128/"})opener=urllib2.build_opener(proxy_support)urllib2.install_opener(opener)7.设置超时

socket.setdefaulttimeout(5)

1Proxy的设置

urllib2默认会使用环境变量http_proxy来设置HTTPProxy。如果想在程序中明确控制Proxy，而不受环境变量的影响，可以使用下面的方式

1	import urllib2

2	enable_proxy = True

3	proxy_handler = urllib2.ProxyHandler({ "http" : 'http://some-proxy.com:8080' })

4	null_proxy_handler = urllib2.ProxyHandler({})

5	if enable_proxy:

6	opener = urllib2.build_opener(proxy_handler)

7

else :

8	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。

2Timeout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。

1	import urllib2

2	import socket

3

4	socket.setdefaulttimeout( 10 ) # 10秒钟后超时

5	urllib2.socket.setdefaulttimeout( 10 ) # 另一种方式

在新的Python2.6版本中，超时可以通过urllib2.urlopen()的timeout参数直接设置。

1	import urllib2

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

3在HTTPRequest中加入特定的Header

要加入Header，需要使用Request对象：

1	import urllib2

2

3	request = urllib2.Request(uri)

4	request.add_header( 'User-Agent' , 'fake-client' )

5	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HTTPBody中的内容该怎样解析。

常见的取值有：

application/xml：在XMLRPC，如RESTful/SOAP调用时使用
application/json：在JSONRPC调用时使用

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

……

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。

4Redirect

urllib2默认情况下会针对3xxHTTP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。

1	import urllib2

2

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

4	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。

01	import urllib2

02

03	class RedirectHandler(urllib2.HTTPRedirectHandler):

04	def http_error_301( self , req,fp,code,msg,headers):

05

pass

06	def http_error_302( self , req,fp,code,msg,headers):

07

pass

08

09	opener = urllib2.build_opener(RedirectHandler)

10	opener. open ( 'http://www.google.cn' )

5Cookie

urllib2对Cookie的处理也是自动的。如果需要得到某个Cookie项的值，可以这么做：

1	import urllib2

2	import cookielib

3

4	cookie = cookielib.CookieJar()

5	opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))response = opener. open ( 'http://www.google.com' )

6	for item in cookie:

7	if item.name = = 'some_cookie_item_name' :

8	print item.value

6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HTTPPUT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HTTPPUT或DELETE的包：

1	import urllib2

2

3	request = urllib2.Request(uri, data = data)

4	request.get_method = lambda : 'PUT' # or'DELETE'

5	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。

7得到HTTP的返回码

对于200OK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：

1	import urllib2

2

try :

3	response = urllib2.urlopen( 'http://restrict.web.com' )

4	except urllib2.HTTPError, e:

5	print e.code

8DebugLog

使用urllib2时，可以通过下面的方法把DebugLog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。

1	import urllib2

2

3	httpHandler = urllib2.HTTPHandler(debuglevel = 1 )

4	httpsHandler = urllib2.HTTPSHandler(debuglevel = 1 )

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

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