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很是简朴的接口,这是具有操作差异协议获取URLs的本领,他同样提供了一个较量巨大的接口来处理惩罚一般环境,譬喻:基本验证,cookies,署理和其他。它们通过handlers和openers的工具提供。
urllib2支持获取差异名目标URLs(在URL的":"前界说的字串,譬喻:"ftp"是"ftp:python.ort/"的前缀),它们操作它们相关网络协议(譬喻FTP,HTTP)举办获取。这篇教程存眷最遍及的应用–HTTP。
对付简朴的应用,urlopen长短常容易利用的。但当你在打开HTTP的URLs时碰着错误或异常,你将需要一些超文本传输协议(HTTP)的领略。
最权威的HTTP文档虽然是RFC 2616(http://rfc.net/rfc2616.html)。这是一个技能文档,所以并不易于阅读。这篇HOWTO教程的目标是揭示如何利用urllib2,
并提供足够的HTTP细节来辅佐你领略。他并不是urllib2的文档说明,而是起一个帮助浸染。
获取 URLs
最简朴的利用urllib2
代码实例:
import urllib2 response = urllib2.urlopen('http://python.org/') html = response.read()
urllib2的许多应用就是那么简朴(记着,除了"http:",URL同样可以利用"ftp:","file:"等等来替代)。但这篇文章是传授HTTP的更巨大的应用。
HTTP是基于请求和应答机制的–客户端提出请求,处事端提供给答。urllib2用一个Request工具来映射你提出的HTTP请求,在它最简朴的利用形式中你将用你要请求的地点建设一个Request工具,通过挪用urlopen并传入Request工具,将返回一个相关请求response工具,这个应答工具如同一个文件工具,所以你可以在Response中挪用.read()。
import urllib2 req = urllib2.Request('http://www.pythontab.com') response = urllib2.urlopen(req) the_page = response.read()
记得urllib2利用沟通的接口处理惩罚所有的URL头。譬喻你可以像下面那样建设一个ftp请求。
req = urllib2.Request('ftp://example.com/')
在HTTP请求时,答允你做特另外两件事。首先是你可以或许发送data表单数据,其次你可以或许传送特另外关于数据或发送自己的信息("metadata")随处事器,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
有时候你但愿发送一些数据到URL(凡是URL与CGI[通用网关接口]剧本,或其他WEB应用措施挂接)。在HTTP中,这个常常利用熟知的POST请求发送。这个凡是在你提交一个HTML表单时由你的欣赏器来做。
并不是所有的POSTs都来历于表单,你可以或许利用POST提交任意的数据到你本身的措施。一般的HTML表单,data需要编码成尺度形式。然后做为data参数传到Request工具。编码事情利用urllib的函数而非urllib2。
代码实例:
import urllib import urllib2 url = 'http://www.pythontab.com' values = {'name' : 'Michael Foord', 'location' : 'pythontab', 'language' : 'Python' } data = urllib.urlencode(values) req = urllib2.Request(url, data) response = urllib2.urlopen(req) the_page = response.read()
记着有时需要此外编码(譬喻从HTML上传文件–看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的具体说明)。
如ugoni没有传送data参数,urllib2利用GET方法的请求。GET和POST请求的差异之处是POST请求凡是有"副浸染",它们会由于某种途径改变系统状态(譬喻提交成堆垃圾到你的门口)。
尽量HTTP尺度说的很清楚POSTs凡是会发生副浸染,GET请求不会发生副浸染,但没有什么可以阻止GET请求发生副浸染,同样POST请求也大概不发生副浸染。Data同样可以通过在Get请求的URL自己上面编码来传送。
代码实例:
>>> import urllib2 >>> import urllib >>> data = {} >>> data['name'] = 'Somebody Here' >>> data['location'] = 'pythontab' >>> data['language'] = 'Python' >>> url_values = urllib.urlencode(data) >>> print url_values name=blueelwang+Here&language=Python&location=pythontab >>> url = 'http://www.pythontab.com' >>> full_url = url + '?' + url_values >>> data = urllib2.open(full_url)
Headers
我们将在这里接头特定的HTTP头,来说明奈何添加headers到你的HTTP请求。
#p#分页标题#e#
有一些站点不喜欢被措施(非工钱会见)会见,可能发送差异版本的内容到差异的欣赏器。默认的urllib2把本身作为“Python-urllib/x.y”(x和y是Python主版本和次版本号,譬喻Python-urllib/2.5),这个身份大概会让站点疑惑,可能爽性不事情。欣赏器确认本身身份是通过User-Agent头,当你建设了一个请求工具,你可以给他一个包括头数据的字典。下面的例子发送跟上面一样的内容,但把自身
模仿成Internet Explorer。
import urllib import urllib2 url = 'http://www.pythontab.com' user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' values = {'name' : 'Michael Foord', 'location' : 'pythontab', '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应答工具同样有两个很有用的要领。看下面的节info and geturl,我们将看到当产生错误时会产生什么。
Handle Exceptions处理惩罚异常
当urlopen不可以或许处理惩罚一个response时,发生urlError(不外凡是的Python APIs异常如ValueError,TypeError等也会同时发生)。
HTTPError是urlError的子类,凡是在特定HTTP URLs中发生。
URLError
凡是,URLError在没有网络毗连(没有路由到特定处事器),可能处事器不存在的环境下发生。这种环境下,异常同样会带有"reason"属性,它是一个tuple,包括了一个错误号和一个错误信息。
譬喻
>>> req = urllib2.Request('http://www.pythontab.com') >>> try: urllib2.urlopen(req) >>> except URLError, e: >>> print e.reason >>>
(4, 'getaddrinfo failed')
HTTPError
处事器上每一个HTTP 应答工具response包括一个数字"状态码"。有时状态码指出处事器无法完成请求。默认的处理惩罚器会为你处理惩罚一部门这种应答(譬喻:如果response是一个"重定向",需要客户端以后外地点获取文档,urllib2将为你处理惩罚)。其他不能处理惩罚的,urlopen会发生一个HTTPError。典范的错误包括"404"(页面无法找到),"403"(请求克制),和"401"(带验证请求)。
请看RFC 2616 第十节有所有的HTTP错误码
HTTPError实例发生后会有一个整型'code'属性,是处事器发送的相关错误号。
Error Codes错误码
因为默认的处理惩罚器处理惩罚了重定向(300以绰号码),而且100-299范畴的号码指示乐成,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利用的所有的应答号。这里为了利便从头展示该字典。
当一个错误号发生后,处事器返回一个HTTP错误号,和一个错误页面。你可以利用HTTPError实例作为页面返回的应答工具response。这暗示和错误属性一样,它同样包括了read,geturl,和info要领。
>>> req = urllib2.Request('http://www.python.org/fish.html') >>> try: >>> urllib2.urlopen(req) >>> except URLError, e: >>> print e.code >>> print e.read() >>>
404 Error 404: File Not Found ...... etc...
Wrapping it Up包装
所以假如你想为HTTPError或URLError做筹备,将有两个根基的步伐。我则较量喜欢第二种。
第一个:
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
留意:except HTTPError 必需在第一个,不然except URLError将同样接管到HTTPError。
#p#分页标题#e#
第二个:
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返回的应答工具response(可能HTTPError实例)有两个很有用的要领info()和geturl()
geturl — 这个返回获取的真实的URL,这个很有用,因为urlopen(可能opener工具利用的)或者
会有重定向。获取的URL或者跟请求URL差异。
info — 这个返回工具的字典工具,该字典描写了获取的页面环境。凡是是处事器发送的特定头headers。今朝是httplib.HTTPMessage 实例。
经典的headers包括"Content-length","Content-type",和其他。查察Quick Reference to HTTP Headers(http://www.cs.tut.fi/~jkorpela/http.html)获取有用的HTTP头列表,以及它们的表明意义。
Openers和Handlers
当你获取一个URL你利用一个opener(一个urllib2.OpenerDirector的实例,urllib2.OpenerDirector大概名字大概有点让人夹杂。)正常环境下,我们利用默认opener — 通过urlopen,但你可以或许建设本性的openers,Openers利用处理惩罚器handlers,所有的“沉重”事情由handlers处理惩罚。每个handlers知道如何通过特定协议打开URLs,可能如那里理惩罚URL打开时的各个方面,譬喻HTTP重定向可能HTTP cookies。
假如你但愿用特定处理惩罚器获取URLs你会想建设一个openers,譬喻获取一个能处理惩罚cookie的opener,可能获取一个不重定向的opener。
要建设一个 opener,实例化一个OpenerDirector,然后挪用不绝挪用.add_handler(some_handler_instance).
同样,可以利用build_opener,这是一个越发利便的函数,用来建设opener工具,他只需要一次函数挪用。
build_opener默认添加几个处理惩罚器,但提供快捷的要领来添加或更新默认处理惩罚器。
其他的处理惩罚器handlers你或者会但愿处理惩罚署理,验证,和其他常用但有点非凡的环境。
install_opener 用来建设(全局)默认opener。这个暗示挪用urlopen将利用你安装的opener。
Opener工具有一个open要领,该要领可以像urlopen函数那样直接用来获取urls:凡是不必挪用install_opener,除了为了利便。
Basic Authentication 根基验证
为了展示建设和安装一个handler,我们将利用HTTPBasicAuthHandler,为了越发细节的描写本主题–包括一个基本验证的事情道理。
请看Basic Authentication Tutorial(http://www.voidspace.org.uk/python/articles/authentication.shtml)
当需要基本验证时,处事器发送一个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".
譬喻
Www-authenticate: Basic realm="cPanel Users"
客户端必需利用新的请求,并在请求头里包括正确的姓名和暗码。这是“基本验证”,为了简化这个进程,我们可以建设一个HTTPBasicAuthHandler的实例,并让opener利用这个handler。
HTTPBasicAuthHandler利用一个暗码打点的工具来处理惩罚URLs和realms来映射用户名和暗码。假如你知道realm(从处事器发送来的头里)是什么,你就能利用HTTPPasswordMgr。
通凡人们不体贴realm是什么。那样的话,就能用利便的HTTPPasswordMgrWithDefaultRealm。这个将在你为URL指定一个默认的用户名和暗码。这将在你为特定realm提供一个其他组适时获得提供。我们通过给realm参数指定None提供应add_password来指示这种环境。
#p#分页标题#e#
最高条理的URL是第一个要求验证的URL。你传给.add_password()更深条理的URLs将同样符合。
# 建设一个暗码打点者 password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm() # 添加用户名和暗码 # 假如知道 realm, 我们可以利用他取代 ``None``. top_level_url = "http://example.com/foo/" password_mgr.add_password(None, top_level_url, username, password) handler = urllib2.HTTPBasicAuthHandler(password_mgr) # 建设 "opener" (OpenerDirector 实例) opener = urllib2.build_opener(handler) # 利用 opener 获取一个URL opener.open(a_url) # 安装 opener. # 此刻所有挪用 urllib2.urlopen 将用我们的 opener. urllib2.install_opener(opener)
留意: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(包括"http:",以及主机名及可选的端标语)譬喻:http://example.com/,也可以是一个“authority”(即主机名和可选的包括端标语)譬喻:“example.com” or “example.com:8080”(后者包括了端标语)。权限验证,假如递交的话不能包括"用户信息"部门,譬喻:“joe@password:example.com”是错误的。
Proxies署理urllib 将自动监测你的署理配置并利用他们。这个通过ProxyHandler这个在正常处理惩罚器链中的工具来处理惩罚。凡是,那事情的很好。但有时不起浸染。个中一个要领即是安装我们本身的署理处理惩罚器ProxyHandler,并不界说署理。这个跟利用Basic Authentication 处理惩罚器很相似。
>>> proxy_support = urllib.request.ProxyHandler({}) >>> opener = urllib.request.build_opener(proxy_support) >>> urllib.request.install_opener(opener)
留意:
此时urllib.request不支持通过署理获取https地点。但,这个可以通过扩展urllib.request到达目标。
Sockets and Layers
Python支持获取网络资源是分层布局。urllib 利用http.client库,再挪用socket库实现。
在Python2.3你可以指定socket的期待回应超时时间。这个在需要获取网页的应用措施里很有用。默认的socket模子没有超时和挂起。此刻,socket超时没有袒露给http.client可能urllib.request层。但你可以给所有的sockets配置全局的超时。