urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。他以urlopen函數(shù)的形式提供了一個非常簡單的接口，

這是具有利用不同協(xié)議獲取URLs的能力，他同樣提供了一個比較復(fù)雜的接口來處理一般情況，例如：基礎(chǔ)驗證，cookies,代理和其他。

它們通過handlers和openers的對象提供。

urllib2支持獲取不同格式的URLs(在URL的”:”前定義的字串,例如：”ftp”是”ftp:python.ort/”的前綴),它們利用它們相關(guān)網(wǎng)絡(luò)協(xié)議(例如FTP,HTTP)

進行獲取。這篇教程關(guān)注最廣泛的應(yīng)用–HTTP。

對于簡單的應(yīng)用，urlopen是非常容易使用的。但當(dāng)你在打開HTTP的URLs時遇到錯誤或異常，你將需要一些超文本傳輸協(xié)議(HTTP)的理解。

最權(quán)威的HTTP文檔當(dāng)然是RFC 2616(http:///rfc2616.html)。這是一個技術(shù)文檔，所以并不易于閱讀。這篇HOWTO教程的目的是展現(xiàn)如何使用urllib2,

并提供足夠的HTTP細節(jié)來幫助你理解。他并不是urllib2的文檔說明，而是起一個輔助作用。

獲取 URLs

最簡單的使用urllib2將如下所示

view plaincopy to clipboardprint?

1. import urllib2
2.
3. response = urllib2.urlopen(’http:///’)
4.
5. html = response.read()

import urllib2 response = urllib2.urlopen(’http:///’) html = response.read()

urllib2的很多應(yīng)用就是那么簡單(記住，除了”http:”,URL同樣可以使用”ftp:”,”file:”等等來替代)。但這篇文章是教授HTTP的更復(fù)雜的應(yīng)用。

HTTP是基于請求和應(yīng)答機制的–客戶端提出請求，服務(wù)端提供應(yīng)答。urllib2用一個Request對象來映射你提出的HTTP請求,在它最簡單的使用形式中你將用你要請求的

地址創(chuàng)建一個Request對象，通過調(diào)用urlopen并傳入Request對象，將返回一個相關(guān)請求response對象，這個應(yīng)答對象如同一個文件對象，所以你可以在Response中調(diào)用.read()。

view plaincopy to clipboardprint?

1. import urllib2
2.
3. req = urllib2.Request(’http://www.’)
4.
5. response = urllib2.urlopen(req)
6.
7. the_page = response.read()

import urllib2 req = urllib2.Request(’http://www.’) response = urllib2.urlopen(req) the_page = response.read()

記得urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創(chuàng)建一個ftp請求。

req = urllib2.Request(’ftp:///’)

在HTTP請求時，允許你做額外的兩件事。首先是你能夠發(fā)送data表單數(shù)據(jù)，其次你能夠傳送額外的關(guān)于數(shù)據(jù)或發(fā)送本身的信息(”metadata”)到服務(wù)器，此數(shù)據(jù)作為HTTP的”headers”來發(fā)送。

接下來讓我們看看這些如何發(fā)送的吧。

Data數(shù)據(jù)

有時候你希望發(fā)送一些數(shù)據(jù)到URL(通常URL與CGI[通用網(wǎng)關(guān)接口]腳本，或其他WEB應(yīng)用程序掛接)。在HTTP中,這個經(jīng)常使用熟知的POST請求發(fā)送。這個通常在你提交一個HTML表單時由你的瀏覽器來做。

并不是所有的POSTs都來源于表單，你能夠使用POST提交任意的數(shù)據(jù)到你自己的程序。一般的HTML表單，data需要編碼成標準形式。然后做為data參數(shù)傳到Request對象。編碼工作使用urllib的函數(shù)而非

urllib2。

view plaincopy to clipboardprint?

1. import urllib
2.
3. import urllib2
4.
5.
6.
7. url = ‘http://www./cgi-bin/register.cgi’
8.
9. values = {’name’ : ‘Michael Foord’,
10.
11. ‘location’ : ‘Northampton’,
12.
13. ‘language’ : ‘Python’ }
14.
15.
16.
17. data = urllib.urlencode(values)
18.
19. req = urllib2.Request(url, data)
20.
21. response = urllib2.urlopen(req)
22.
23. the_page = response.read()

import urllib import urllib2 url = ‘http://www./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()

記住有時需要別的編碼(例如從HTML上傳文件–看http://www./TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的詳細說明)。

如ugoni沒有傳送data參數(shù)，urllib2使用GET方式的請求。GET和POST請求的不同之處是POST請求通常有”副作用”，它們會由于某種途徑改變系統(tǒng)狀態(tài)(例如提交成堆垃圾到你的門口)。

盡管HTTP標準說的很清楚POSTs通常會產(chǎn)生副作用，GET請求不會產(chǎn)生副作用，但沒有什么可以阻止GET請求產(chǎn)生副作用，同樣POST請求也可能不產(chǎn)生副作用。Data同樣可以通過在Get請求

的URL本身上面編碼來傳送。

可看如下例子

view plaincopy to clipboardprint?

1. >>> import urllib2
2.
3. >>> import urllib
4.
5. >>> data = {}
6.
7. >>> data['name'] = ‘Somebody Here’
8.
9. >>> data['location'] = ‘Northampton’
10.
11. >>> data['language'] = ‘Python’
12.
13. >>> url_values = urllib.urlencode(data)
14.
15. >>> print url_values
16.
17. name=Somebody+Here&language=Python&location=Northampton
18.
19. >>> url = ‘http://www./example.cgi’
20.
21. >>> full_url = url + ‘?’ + url_values
22.
23. >>> data = urllib2.open(full_url)

>>> 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.cgi’ >>> full_url = url + ‘?’ + url_values >>> data = urllib2.open(full_url)

Headers

我們將在這里討論特定的HTTP頭，來說明怎樣添加headers到你的HTTP請求。

有一些站點不喜歡被程序（非人為訪問）訪問，或者發(fā)送不同版本的內(nèi)容到不同的瀏覽器。默認的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主版本和次版本號,例如Python-urllib/2.5)，

這個身份可能會讓站點迷惑，或者干脆不工作。瀏覽器確認自己身份是通過User-Agent頭，當(dāng)你創(chuàng)建了一個請求對象，你可以給他一個包含頭數(shù)據(jù)的字典。下面的例子發(fā)送跟上面一樣的內(nèi)容，但把自身

模擬成Internet Explorer。

view plaincopy to clipboardprint?

1. import urllib
2.
3. import urllib2
4.
5.
6.
7. url = ‘http://www./cgi-bin/register.cgi’
8.
9. user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’
10.
11. values = {’name’ : ‘Michael Foord’,
12.
13. ‘location’ : ‘Northampton’,
14.
15. ‘language’ : ‘Python’ }
16.
17. headers = { ‘User-Agent’ : user_agent }
18.
19.
20.
21. data = urllib.urlencode(values)
22.
23. req = urllib2.Request(url, data, headers)
24.
25. response = urllib2.urlopen(req)
26.
27. the_page = response.read()

import urllib import urllib2 url = ‘http://www./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應(yīng)答對象同樣有兩個很有用的方法?？聪旅娴墓?jié)info and geturl，我們將看到當(dāng)發(fā)生錯誤時會發(fā)生什么。

Handle Exceptions處理異常

當(dāng)urlopen不能夠處理一個response時，產(chǎn)生urlError（不過通常的Python APIs異常如ValueError,TypeError等也會同時產(chǎn)生）。

HTTPError是urlError的子類，通常在特定HTTP URLs中產(chǎn)生。

URLError

通常，URLError在沒有網(wǎng)絡(luò)連接(沒有路由到特定服務(wù)器),或者服務(wù)器不存在的情況下產(chǎn)生。這種情況下，異常同樣會帶有”reason”屬性，它是一個tuple，包含了一個錯誤號和一個錯誤信息。

例如

view plaincopy to clipboardprint?

1. >>> req = urllib2.Request(’http://www.pretend_server.org’)
2.
3. >>> try: urllib2.urlopen(req)
4.
5. >>> except URLError, e:
6.
7. >>> print e.reason
8.
9. >>>
10.
11. (4, ‘getaddrinfo failed’)

>>> req = urllib2.Request(’http://www.pretend_server.org’) >>> try: urllib2.urlopen(req) >>> except URLError, e: >>> print e.reason >>> (4, ‘getaddrinfo failed’)

HTTPError

服務(wù)器上每一個HTTP 應(yīng)答對象response包含一個數(shù)字”狀態(tài)碼”。有時狀態(tài)碼指出服務(wù)器無法完成請求。默認的處理器會為你處理一部分這種應(yīng)答(例如:假如response是一個”重定向”，需要客戶端從別的地址獲取文檔

，urllib2將為你處理)。其他不能處理的，urlopen會產(chǎn)生一個HTTPError。典型的錯誤包含”404″(頁面無法找到)，”403″(請求禁止)，和”401″(帶驗證請求)。

請看RFC 2616 第十節(jié)有所有的HTTP錯誤碼

HTTPError實例產(chǎn)生后會有一個整型’code’屬性，是服務(wù)器發(fā)送的相關(guān)錯誤號。

Error Codes錯誤碼

因為默認的處理器處理了重定向(300以外號碼)，并且100-299范圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。

BaseHTTPServer.BaseHTTPRequestHandler.response是一個很有用的應(yīng)答號碼字典，顯示了RFC 2616使用的所有的應(yīng)答號。這里為了方便重新展示該字典。（譯者略）

當(dāng)一個錯誤號產(chǎn)生后，服務(wù)器返回一個HTTP錯誤號，和一個錯誤頁面。你可以使用HTTPError實例作為頁面返回的應(yīng)答對象response。這表示和錯誤屬性一樣，它同樣包含了read,geturl,和info方法。

view plaincopy to clipboardprint?

1. >>> req = urllib2.Request(’http://www./fish.html’)
2.
3. >>> try:
4.
5. >>> urllib2.urlopen(req)
6.
7. >>> except URLError, e:
8.
9. >>> print e.code
10.
11. >>> print e.read()
12.
13. >>>
14.
15. 404
16.
17.
18.
19. "http://www./TR/html4/loose.dtd">
20.
21. 22.
23. type="text/css"?>
24.
25.
26.
27. …… etc…

>>> req = urllib2.Request(’http://www./fish.html’) >>> try: >>> urllib2.urlopen(req) >>> except URLError, e: >>> print e.code >>> print e.read() >>> 404 …… etc…

Wrapping it Up包裝

所以如果你想為HTTPError或URLError做準備，將有兩個基本的辦法。我則比較喜歡第二種。

第一個：

view plaincopy to clipboardprint?

1. from urllib2 import Request, urlopen, URLError, HTTPError
2.
3. req = Request(someurl)
4.
5. try:
6.
7. response = urlopen(req)
8.
9. except HTTPError, e:
10.
11. print ‘The server couldn\’t fulfill the request.’
12.
13. print ‘Error code: ‘, e.code
14.
15. except URLError, e:
16.
17. print ‘We failed to reach a server.’
18.
19. print ‘Reason: ‘, e.reason
20.
21. else:
22.
23. # everything is fine

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 必須在第一個，否則except URLError將同樣接受到HTTPError。

第二個：

view plaincopy to clipboardprint?

1. from urllib2 import Request, urlopen, URLError
2.
3. req = Request(someurl)
4.
5. try:
6.
7. response = urlopen(req)
8.
9. except URLError, e:
10.
11. if hasattr(e, ‘reason’):
12.
13. print ‘We failed to reach a server.’
14.
15. print ‘Reason: ‘, e.reason
16.
17. elif hasattr(e, ‘code’):
18.
19. print ‘The server couldn\’t fulfill the request.’
20.
21. print ‘Error code: ‘, e.code
22.
23. else:
24.
25. # everything is fine

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返回的應(yīng)答對象response(或者HTTPError實例)有兩個很有用的方法info()和geturl()

geturl — 這個返回獲取的真實的URL，這個很有用，因為urlopen(或者opener對象使用的)或許

會有重定向。獲取的URL或許跟請求URL不同。

info — 這個返回對象的字典對象，該字典描述了獲取的頁面情況。通常是服務(wù)器發(fā)送的特定頭headers。目前是httplib.HTTPMessage 實例。

經(jīng)典的headers包含”Content-length”，”Content-type”，和其他。查看Quick Reference to HTTP Headers(http://www.cs./~jkorpela/http.html)

獲取有用的HTTP頭列表，以及它們的解釋意義。

Openers和Handlers

當(dāng)你獲取一個URL你使用一個opener(一個urllib2.OpenerDirector的實例，urllib2.OpenerDirector可能名字可能有點讓人混淆。)正常情況下，我們

使用默認opener — 通過urlopen,但你能夠創(chuàng)建個性的openers，Openers使用處理器handlers，所有的“繁重”工作由handlers處理。每個handlers知道

如何通過特定協(xié)議打開URLs，或者如何處理URL打開時的各個方面，例如HTTP重定向或者HTTP cookies。

如果你希望用特定處理器獲取URLs你會想創(chuàng)建一個openers，例如獲取一個能處理cookie的opener，或者獲取一個不重定向的opener。

要創(chuàng)建一個 opener,實例化一個OpenerDirector，然后調(diào)用不斷調(diào)用.add_handler(some_handler_instance).

同樣，可以使用build_opener，這是一個更加方便的函數(shù)，用來創(chuàng)建opener對象，他只需要一次函數(shù)調(diào)用。

build_opener默認添加幾個處理器，但提供快捷的方法來添加或更新默認處理器。

其他的處理器handlers你或許會希望處理代理，驗證，和其他常用但有點特殊的情況。

install_opener 用來創(chuàng)建（全局）默認opener。這個表示調(diào)用urlopen將使用你安裝的opener。

Opener對象有一個open方法，該方法可以像urlopen函數(shù)那樣直接用來獲取urls：通常不必調(diào)用install_opener，除了為了方便。

Basic Authentication 基本驗證

為了展示創(chuàng)建和安裝一個handler，我們將使用HTTPBasicAuthHandler，為了更加細節(jié)的描述本主題–包含一個基礎(chǔ)驗證的工作原理。

請看Basic Authentication Tutorial（http://www./python/articles/authentication.shtml）

當(dāng)需要基礎(chǔ)驗證時，服務(wù)器發(fā)送一個header(401錯誤碼) 請求驗證。這個指定了scheme 和一個‘realm’，看起來像這樣：Www-authenticate: SCHEME realm=”REALM”.

例如

Www-authenticate: Basic realm=”cPanel Users”

客戶端必須使用新的請求，并在請求頭里包含正確的姓名和密碼。這是“基礎(chǔ)驗證”，為了簡化這個過程，我們可以創(chuàng)建一個HTTPBasicAuthHandler的實例，并讓opener使用這個

handler。

HTTPBasicAuthHandler使用一個密碼管理的對象來處理URLs和realms來映射用戶名和密碼。如果你知道realm(從服務(wù)器發(fā)送來的頭里)是什么，你就能使用HTTPPasswordMgr。

通常人們不關(guān)心realm是什么。那樣的話，就能用方便的HTTPPasswordMgrWithDefaultRealm。這個將在你為URL指定一個默認的用戶名和密碼。這將在你為特定realm提供一個其他組合時

得到提供。我們通過給realm參數(shù)指定None提供給add_password來指示這種情況。

最高層次的URL是第一個要求驗證的URL。你傳給.add_password()更深層次的URLs將同樣合適。

view plaincopy to clipboardprint?

1. # 創(chuàng)建一個密碼管理者
2.
3. password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
4.
5.
6.
7. # 添加用戶名和密碼
8.
9. # 如果知道 realm, 我們可以使用他代替 “None“.
10.
11. top_level_url = “http:///foo/”
12.
13. password_mgr.add_password(None, top_level_url, username, password)
14.
15.
16.
17. handler = urllib2.HTTPBasicAuthHandler(password_mgr)
18.
19.
20.
21. # 創(chuàng)建 “opener” (OpenerDirector 實例)
22.
23. opener = urllib2.build_opener(handler)
24.
25.
26.
27. # 使用 opener 獲取一個URL
28.
29. opener.open(a_url)
30.
31.
32.
33. # 安裝 opener.
34.
35. # 現(xiàn)在所有調(diào)用 urllib2.urlopen 將用我們的 opener.
36.
37. urllib2.install_opener(opener)
38.
39.

# 創(chuàng)建一個密碼管理者 password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm() # 添加用戶名和密碼 # 如果知道 realm, 我們可以使用他代替 “None“. top_level_url = “http:///foo/” password_mgr.add_password(None, top_level_url, username, password) handler = urllib2.HTTPBasicAuthHandler(password_mgr) # 創(chuàng)建 “opener” (OpenerDirector 實例) opener = urllib2.build_opener(handler) # 使用 opener 獲取一個URL opener.open(a_url) # 安裝 opener. # 現(xiàn)在所有調(diào)用 urllib2.urlopen 將用我們的 opener. urllib2.install_opener(opener)

注意：以上的例子我們僅僅提供我們的HHTPBasicAuthHandler給build_opener。默認的openers有正常狀況的 handlers–ProxyHandler,UnknownHandler,HTTPHandler,HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。

top_level_url 實際上可以是完整URL(包含”http:”,以及主機名及可選的端口號)例如：http:///，也可以是一個“authority”(即主機名和可選的

包含端口號)例如：“” or “:8080”(后者包含了端口號)。權(quán)限驗證，如果遞交的話不能包含”用戶信息”部分,例如:

“joe@password:”是錯誤的。

Proxies代理urllib 將自動監(jiān)測你的代理設(shè)置并使用他們。這個通過ProxyHandler這個在正常處理器鏈中的對象來處理。通常，那工作的很好。但有時不起作用

。其中一個方法便是安裝我們自己的代理處理器ProxyHandler，并不定義代理。這個跟使用Basic Authentication 處理器很相似。

view plaincopy to clipboardprint?

1. >>> proxy_support = urllib.request.ProxyHandler({})
2. >>> opener = urllib.request.build_opener(proxy_support)
3. >>> urllib.request.install_opener(opener)

>>> proxy_support = urllib.request.ProxyHandler({}) >>> opener = urllib.request.build_opener(proxy_support) >>> urllib.request.install_opener(opener)

注意：
此時urllib.request不支持通過代理獲取https地址。但，這個可以通過擴展urllib.request達到目的。

Sockets and Layers
Python支持獲取網(wǎng)絡(luò)資源是分層結(jié)構(gòu)。urllib 使用http.client庫，再調(diào)用socket庫實現(xiàn)。

在Python2.3你可以指定socket的等待回應(yīng)超時時間。這個在需要獲取網(wǎng)頁的應(yīng)用程序里很有用。默認的socket模型沒有超時和掛起。現(xiàn)在，socket超時沒有暴露

給http.client或者urllib.request層。但你可以給所有的sockets設(shè)置全局的超時。

view plaincopy to clipboardprint?

1. import socket
2. import urllib.request
3.
4. # 以秒計算的超時時間
5. timeout = 10
6. socket.setdefaulttimeout(timeout)
7.
8. # 這個調(diào)用urllib.request.urlopen 使用我們在socket模型里設(shè)置的默認超時時間。
9. req = urllib.request.Request(’http://www.’)
10. response = urllib.request.urlopen(req)