深入解析Python中的urllib2模块_Python

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

				?

									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')

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.
顺便共享下我生成的RSS地址

				?

									http://104.224.129.109/myrss/oschina.xml

大家如果不想折腾的话直接使用feedly订阅就行了.
脚本我会每10分钟执行一次的.

深入解析Python中的urllib2模块

延伸 · 阅读

python 列表转为字典的两个小方法(小结)

python 插入Null值数据到Postgresql的操作

Python的dict字典结构操作方法学习笔记

Python3以GitHub为例来实现模拟登录和爬取的实例讲解

使用NumPy和pandas对CSV文件进行写操作的实例

在Windows系统上搭建Nginx+Python+MySQL环境的教程

python直接访问私有属性的简单方法

Python实现ping指定IP的示例

PyCharm设置SSH远程调试的方法

Python安装图文教程 Pycharm安装教程

python是什么意思？python有什么用？

使用Python抓取模板之家的CSS模板

Python 列表(List)操作方法详解