[Python]網路爬蟲（四）：Opener與Handler的介紹和執行個體應用

在開始後面的內容之前，先來解釋一下urllib2中的兩個個方法：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()

1.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。

以人人中的一個超級連結為例,

我們建一個urllib2_test10.py來比較一下原始URL和重新導向的連結：

from urllib2 import Request, urlopen, URLError, HTTPErrorold_url = 'http://rrurl.cn/b1UZuP'req = Request(old_url)response = urlopen(req)  print 'Old url :' + old_urlprint 'Real url :' + response.geturl()

運行之後可以看到真正的連結指向的網址：

2.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"，和其他內容。

我們建一個urllib2_test11.py來測試一下info的應用：

from urllib2 import Request, urlopen, URLError, HTTPErrorold_url = 'http://www.baidu.com'req = Request(old_url)response = urlopen(req)  print 'Info():'print response.info()

啟動並執行結果如下，可以看到頁面的相關資訊：

下面來說一說urllib2中的兩個重要概念：Openers和Handlers。

1.Openers：

當你擷取一個URL你使用一個opener(一個urllib2.OpenerDirector的執行個體)。

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。

2.Handles：

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，可以執行個體化一個OpenerDirector，

然後調用.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。

說完了上面兩個內容，下面我們來看一下基本認證的內容，這裡會用到上面提及的Opener和Handler。

Basic Authentication 基本驗證

為了展示建立和安裝一個handler，我們將使用HTTPBasicAuthHandler。

當需要基礎驗證時，伺服器發送一個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"

用戶端必須使用新的請求，並在要求標頭裡包含正確的姓名和密碼。

這是“基礎驗證”，為了簡化這個過程，我們可以建立一個HTTPBasicAuthHandler的執行個體，並讓opener使用這個handler就可以啦。

HTTPBasicAuthHandler使用一個密碼管理的對象來處理URLs和realms來映射使用者名稱和密碼。

如果你知道realm(從伺服器發送來的頭裡)是什麼，你就能使用HTTPPasswordMgr。

通常人們不關心realm是什麼。那樣的話，就能用方便的HTTPPasswordMgrWithDefaultRealm。

這個將在你為URL指定一個預設的使用者名稱和密碼。

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。

說了這麼多廢話，下面來用一個例子示範一下上面說到的內容。

我們建一個urllib2_test12.py來測試一下info的應用：

# -*- coding: utf-8 -*-import urllib2# 建立一個密碼管理者password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()# 添加使用者名稱和密碼top_level_url = "http://example.com/foo/"# 如果知道 realm, 我們可以使用他代替 ``None``.# password_mgr.add_password(None, top_level_url, username, password)password_mgr.add_password(None, top_level_url,'why', '1223')# 建立了一個新的handlerhandler = urllib2.HTTPBasicAuthHandler(password_mgr)# 建立 "opener" (OpenerDirector 執行個體)opener = urllib2.build_opener(handler)a_url = 'http://www.baidu.com/'# 使用 opener 擷取一個URLopener.open(a_url)# 安裝 opener.# 現在所有調用 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。

預設的openers有正常狀況的handlers：ProxyHandler，UnknownHandler，HTTPHandler，HTTPDefaultErrorHandler， HTTPRedirectHandler，FTPHandler， FileHandler， HTTPErrorProcessor。

代碼中的top_level_url 實際上可以是完整URL(包含"http:"，以及主機名稱及可選的連接埠號碼)。

例如：http://example.com/。

也可以是一個“authority”(即主機名稱和可選的包含連接埠號碼)。

例如：“example.com” or “example.com:8080”。

後者包含了連接埠號碼。