Python使用urllib2擷取網路資源執行個體講解

Python使用urllib2擷取網路資源執行個體講解

      urllib2是Python的一個擷取URLs(Uniform Resource Locators)的組件。他以urlopen函數的形式提供了一個非常簡單的介面，下面我們用執行個體講解他的使用方法

這是具有利用不同協議擷取URLs的能力，他同樣提供了一個比較複雜的介面來處理一般情況，例如：基礎驗證，cookies,代理和其他。
它們通過handlers和openers的對象提供。
urllib2支援擷取不同格式的URLs(在URL的":"前定義的字串,例如："ftp"是"ftp:python.ort/"的首碼),它們利用它們相關網路通訊協定(例如FTP,HTTP)
進行擷取。這篇教程關注最廣泛的應用--HTTP。
對於簡單的應用，urlopen是非常容易使用的。但當你在開啟HTTP的URLs時遇到錯誤或異常，你將需要一些超文字傳輸通訊協定 (HTTP)(HTTP)的理解。
最權威的HTTP文檔當然是RFC 2616(http://rfc.net/rfc2616.html)。這是一個技術文檔，所以並不易於閱讀。這篇HOWTO教程的目的是展現如何使用urllib2,
並提供足夠的HTTP細節來協助你理解。他並不是urllib2的文檔說明，而是起一個輔助作用。
擷取 URLs

最簡單的使用urllib2將如下所示

複製代碼 代碼如下:
import urllib2
response = urllib2.urlopen('http://python.org/')
html = response.read()

urllib2的很多應用就是那麼簡單(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的更複雜的應用。
HTTP是基於請求和應答機制的--用戶端提出請求，服務端提供應答。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
地址建立一個Request對象，通過調用urlopen並傳入Request對象，將返回一個相關請求response對象，這個應答對象如同一個檔案對象，所以你可以在Response中調用.read()。

複製代碼 代碼如下:
import urllib2
req = urllib2.Request('http://www.jb51.net')
response = urllib2.urlopen(req)
the_page = response.read()

記得urllib2使用相同的介面處理所有的URL頭。例如你可以像下面那樣建立一個ftp請求。

複製代碼 代碼如下:
req = urllib2.Request('ftp://example.com/')

在HTTP請求時，允許你做額外的兩件事。首先是你能夠發送data表單資料，其次你能夠傳送額外的關於資料或發送本身的資訊("metadata")到伺服器，此資料作為HTTP的"headers"來發送。
接下來讓我們看看這些如何發送的吧。
Data資料
有時候你希望發送一些資料到URL(通常URL與CGI[通用閘道介面]指令碼，或其他WEB應用程式掛接)。在HTTP中,這個經常使用熟知的POST請求發送。這個通常在你提交一個HTML表單時由你的瀏覽器來做。
並不是所有的POSTs都來源於表單，你能夠使用POST提交任意的資料到你自己的程式。一般的HTML表單，data需要編碼成標準形式。然後做為data參數傳到Request對象。編碼工作使用urllib的函數而非
urllib2。

 代碼如下:
import urllib
import urllib2

url = 'http://www.jb51.net'
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上傳檔案--看http://www.w3.org/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，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"，它們會由於某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。
儘管HTTP標準說的很清楚POSTs通常會產生副作用，GET請求不會產生副作用，但沒有什麼可以阻止GET請求產生副作用，同樣POST請求也可能不產生副作用。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

 代碼如下:
 >>> 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.jb51.net'
 >>> full_url = url + '?' + url_values
 >>> data = urllib2.open(full_url)

Headers
我們將在這裡討論特定的HTTP頭，來說明怎樣添加headers到你的HTTP請求。
有一些網站不喜歡被程式（非人為訪問）訪問，或者發送不同版本的內容到不同的瀏覽器。預設的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主要版本和次版本號碼,例如Python-urllib/2.5)，
這個身份可能會讓網站迷惑，或者乾脆不工作。瀏覽器確認自己身份是通過User-Agent頭，當你建立了一個請求對象，你可以給他一個包含頭資料的字典。下面的例子發送跟上面一樣的內容，但把自身
類比成Internet Explorer。

複製代碼 代碼如下:
import urllib
import urllib2

url = 'http://www.jb51.net'
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應答對象同樣有兩個很有用的方法。看下面的節info and geturl，我們將看到當發生錯誤時會發生什麼。
Handle Exceptions處理異常
當urlopen不能夠處理一個response時，產生urlError（不過通常的Python APIs異常如ValueError,TypeError等也會同時產生）。
HTTPError是urlError的子類，通常在特定HTTP URLs中產生。
URLError
通常，URLError在沒有網路連接(沒有路由到特定伺服器),或者伺服器不存在的情況下產生。這種情況下，異常同樣會帶有"reason"屬性，它是一個tuple，包含了一個錯誤號碼和一個錯誤資訊。
例如

複製代碼 代碼如下:
>>> req = urllib2.Request('http://www.jb51.net')
>>> try: urllib2.urlopen(req)
>>> except URLError, e:
>>>    print e.reason
>>>
(4, 'getaddrinfo failed')

HTTPError
伺服器上每一個HTTP 應答對象response包含一個數字"狀態代碼"。有時狀態代碼指出伺服器無法完成請求。預設的處理器會為你處理一部分這種應答(例如:假如response是一個"重新導向"，需要用戶端從別的地址擷取文檔
，urllib2將為你處理)。其他不能處理的，urlopen會產生一個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 第十節有所有的HTTP錯誤碼
HTTPError執行個體產生後會有一個整型'code'屬性，是伺服器發送的相關錯誤號碼。
Error Codes錯誤碼
因為預設的處理器處理了重新導向(300以外號碼)，並且100-299範圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。
BaseHTTPServer.BaseHTTPRequestHandler.response是一個很有用的應答號碼字典，顯示了RFC 2616使用的所有的應答號。這裡為了方便重新展示該字典。（譯者略）
當一個錯誤號碼產生後，伺服器返回一個HTTP錯誤號碼，和一個錯誤頁面。你可以使用HTTPError執行個體作為頁面返回的應答對象response。這表示和錯誤屬性一樣，它同樣包含了read,geturl,和info方法。

複製代碼 代碼如下:
>>> req = urllib2.Request('http://www.python.org/fish.html')
>>> try:
>>>     urllib2.urlopen(req)
>>> except URLError, e:
>>>     print e.code
>>>     print e.read()
>>>

 

複製代碼 代碼如下:
404
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
  "http://www.w3.org/TR/html4/loose.dtd">
<?xml-stylesheet href="./css/ht2html.css"
  type="text/css"?>
<html><head><title>Error 404: File Not Found</title>
...... etc...

Wrapping it Up封裝
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：

複製代碼 代碼如下:
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：

複製代碼 代碼如下:
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返回的應答對象response(或者HTTPError執行個體)有兩個很有用的方法info()和geturl()
geturl -- 這個返回擷取的真實的URL，這個很有用，因為urlopen(或者opener對象使用的)或許
會有重新導向。擷取的URL或許跟請求URL不同。
info -- 這個返回對象的字典對象，該字典描述了擷取的頁面情況。通常是伺服器發送的特定頭headers。目前是httplib.HTTPMessage 執行個體。
經典的headers包含"Content-length"，"Content-type"，和其他。查看Quick Reference to HTTP Headers擷取有用的HTTP頭列表，以及它們的解釋意義。
Openers和Handlers
當你擷取一個URL你使用一個opener(一個urllib2.OpenerDirector的執行個體，urllib2.OpenerDirector可能名字可能有點讓人混淆。)正常情況下，我們
使用預設opener -- 通過urlopen,但你能夠建立個性的openers，Openers使用處理器handlers，所有的“繁重”工作由handlers處理。每個handlers知道
如何通過特定協議開啟URLs，或者如何處理URL開啟時的各個方面，例如HTTP重新導向或者HTTP cookies。
如果你希望用特定處理器擷取URLs你會想建立一個openers，例如擷取一個能處理cookie的opener，或者擷取一個不重新導向的opener。
要建立一個 opener,執行個體化一個OpenerDirector，然後調用不斷調用.add_handler(some_handler_instance).
同樣，可以使用build_opener，這是一個更加方便的函數，用來建立opener對象，他只需要一次函數調用。
build_opener預設添加幾個處理器，但提供快捷的方法來添加或更新預設處理器。
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 用來建立（全域）預設opener。這個表示調用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函數那樣直接用來擷取urls：通常不必調用install_opener，除了為了方便。