深入解析Python中的urllib2模块

2020-01-04 17:57:36

字体：大中小

来源：转载

供稿：网友

这篇文章主要介绍了Python中的urllib2模块,包括一个利用其抓取网站生成RSS的小例子,需要的朋友可以参考下

Python 标准库中有很多实用的工具类，但是在具体使用时，标准库文档上对使用细节描述的并不清楚，比如 urllib2 这个 HTTP 客户端库。这里总结了一些 urllib2 的使用细节。

Proxy 的设置

Timeout 设置

在 HTTP Request 中加入特定的 Header

Redirect

使用 HTTP 的 PUT 和 DELETE 方法

得到 HTTP 的返回码

Debug Log

Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。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

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。

Timeout 设置

在老版 Python 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。

import urllib2

import socket

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

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

在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2

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

在 HTTP Request 中加入特定的 Header

要加入 header，需要使用 Request 对象：

import urllib2

request = urllib2.Request(uri)

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

response = urllib2.urlopen(request)

对有些 header 要特别留意，服务器会针对这些 header 做检查

User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求

Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。常见的取值有：

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

在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

Redirect

urllib2 默认情况下会针对 HTTP 3XX 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。

import urllib2

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

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，还可以自定义 HTTPRedirectHandler 类。

import urllib2

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')

Cookie

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：

import urllib2

import cookielib

cookie = cookielib.CookieJar()

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

response = opener.open('http://www.google.com')

for item in cookie:

if item.name == 'some_cookie_item_name':

print item.value

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 PUT 或 DELETE 的请求：

import urllib2

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

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

response = urllib2.urlopen(request)

得到 HTTP 的返回码

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：

import urllib2

try:

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

except urllib2.HTTPError, e:

print e.code

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，方便调试，有时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')

PS: 借助urllib2抓取网站生成RSS

看了看OsChina的博客页面,发现可以使用python来抓取.记得前段时间看到有人使用python的RSS模块PyRSS2Gen生成了RSS.于是忍不住手痒自己试着实现了下,幸好还是成功了,下面代码共享给大家.

首先需要安装PyRSS2Gen模块和BeautifulSoup模块,pip安装下就好了,我就不再赘述了.

下面贴出代码

# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup

import urllib2

import datetime

import time

import PyRSS2Gen

from email.Utils import formatdate

import re

import sys

import os

reload(sys)

sys.setdefaultencoding('utf-8')

class RssSpider():

def __init__(self):

self.myrss = PyRSS2Gen.RSS2(title='OSChina',

link='http://my.oschina.net',

description=str(datetime.date.today()),

pubDate=datetime.datetime.now(),

lastBuildDate = datetime.datetime.now(),

items=[]

)

self.xmlpath=r'/var/www/myrss/oschina.xml'

self.baseurl="http://www.oschina.net/blog"

#if os.path.isfile(self.xmlpath):

#os.remove(self.xmlpath)

def useragent(self,url):

i_headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) /

AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36", /

"Referer": 'http://baidu.com/'}

req = urllib2.Request(url, headers=i_headers)

html = urllib2.urlopen(req).read()

return html

def enterpage(self,url):

pattern = re.compile(r'/d{4}/S/d{2}/S/d{2}/s/d{2}/S/d{2}')

rsp=self.useragent(url)

soup=BeautifulSoup(rsp)

timespan=soup.find('div',{'class':'BlogStat'})

timespan=str(timespan).strip().replace('/n','').decode('utf-8')

match=re.search(r'/d{4}/S/d{2}/S/d{2}/s/d{2}/S/d{2}',timespan)

timestr=str(datetime.date.today())

if match:

timestr=match.group()

#print timestr

ititle=soup.title.string

div=soup.find('div',{'class':'BlogContent'})

rss=PyRSS2Gen.RSSItem(

title=ititle,

link=url,

description = str(div),

pubDate = timestr

)

return rss

def getcontent(self):

rsp=self.useragent(self.baseurl)

soup=BeautifulSoup(rsp)

ul=soup.find('div',{'id':'RecentBlogs'})

for li in ul.findAll('li'):

div=li.find('div')

if div is not None:

alink=div.find('a')

if alink is not None:

link=alink.get('href')

print link

html=self.enterpage(link)

self.myrss.items.append(html)

def SaveRssFile(self,filename):

finallxml=self.myrss.to_xml(encoding='utf-8')

file=open(self.xmlpath,'w')

file.writelines(finallxml)

file.close()

if __name__=='__main__':

rssSpider=RssSpider()

rssSpider.getcontent()

rssSpider.SaveRssFile('oschina.xml')