深入解析Python中的urllib2模块

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
• Cookie
• 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

1 2 3 4 5 6 7 8 9 10 11

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。

1 2 3 4 5 6

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。

1 2	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：

1 2 3 4

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。

1 2 3

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。

1 2 3 4 5 6 7 8 9 10

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：

1 2 3 4 5 6 7 8 9

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：

1 2 3 4 5

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：

1 2 3 4 5 6

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

1 2 3 4 5 6 7 8

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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86

# -*- 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' )

可以看到,主要是使用BeautifulSoup来抓取站点然后使用PyRSS2Gen来生成RSS并保存为xml格式文件.

深入解析Python中的urllib2模块