urllib2是Python的一个获取URLs的组件。他以urlopen函数的形式提供了一个非常简单的接口,具有利用不同协议获取URLs的能力,同样提供了一个比较复杂的接口来处理一般情况。
urllib2支持获取不同格式的URLs例如:ftp、Gopher等,并利用它们相关网络协议进行获取。
urllib2可用来完成以下功能:
1.获取Web页面
2.在远程http服务器上验证
3.额外数据请求,如表单提交(GET和POST)
4.异常处理
5.非http协议通信(如FTP)
1.获取Web页面
例1:打印html页面,下面是最简单的形式
!/usr/bin/env python
import urllib2
response = urllib2.urlopen(‘http://www.google.com‘)
html = response.read()
print html
例2:打开指定页面并打印html页面和一些额外的信息,采用了urllib2最一般的形式:i、urllib2.Request()的功能是构造一个请求信息,返回的req就是一个构造好的请求。ii、urllib2.urlopen()的功能是发送刚刚构造好的请求req,并返回一个文件类的对象response,包括了所有的返回信息。iii、通过response.read()可以读取到response里面的html,通过response.info()可以读到一些额外的信息。
#!/usr/bin/env python
import urllib2
response = urllib2.urlopen('http://www.google.com')
html = response.read()
print html
2.在远程http服务器上验证
有些站点需要http认证后才能访问。最普通的认证类型是基本认证,由客户端向服务器器发送一个用户名和密码。http认证一般显示一个弹出窗口来询问用户名和密码,这与基于cookie和form的认证不同。
下面是一个例子,首先定义了一个扩展urllib2.HTTPPasswordMgr的类,允许在需要的时候询问用户名和密码,然后调用build_opener()指定一些额外处理,其实在urllib2.urlopen()内部调用了build_opener(),并且不带任何参数。所以在访问常规网站的时候urllib2.urlopen()等于opener.open()返回都一样。
#!/usr/bin/env python
import sys, urllib2, getpass
class BasePassword(urllib2.HTTPPasswordMgr):
def find_user_password(self, realm, authurl):
ret = urllib2.HTTPPasswordMgr.find_user_password(self, realm, authuri)
if ret[0] == None and ret[1] == None:
sys.stdout.write("Login reauired for %s at %sn" % (realm, authurl))
sys.stdout.write("Username: ")
username = sys.stdin.readline().rstrip()
password = getpass.getpass().rstrip()
return (username, password)
else:
return ret
req = urllib2.Request(sys.argv[1])
opener = urllib2.build_opener(urllib2.HTTPBasicAuthHandler(BasePassword()))
response = opener.open(req)
print response.read()
3.表单提交(GET和POST)
有两种方法提交表单数据:GET和POST,取决于HTML文档中
标签里面的参数
GET实例:
#!/usr/bin/env python
import sys, urllib2, urllib
keyword = sys.argv[1]
url = url + '?' + urllib.urlencode('http://www.xxx.com', [('query', keyword)])
req = urllib2.Request(url)
response = urllib2.urlopen(req)
print response.read()
POST实例:
#!/usr/bin/env python
import sys, urllib2, urllib
keyword = sys.argv[1]
url = 'http://www.xxx.com'
data = urllib.urlencode([('query', keyword)])
req = urllib2.Request(url)
response = urllib2.urlopen(req, data)
更一般的提交数据,通过urllib2.Request()构造一个有额外数据的请求信息。包括“http header”和想要发送的数据,这些数据需要被以标准的方式encode,然后作为一个数据参数传送给Request对象。Encoding是在urllib中完成的,而不是在urllib2中完成的。
如下例:
#!/usr/bin/env python
import urllib, urllib2
url = 'http://www.baidu.com'
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()
4.异常处理
捕获连接错误,在和远程Web服务器建立连接时,很多地方可能出现问题:提供的URL不对、URL使用了一个不支持的协议、主机名不存在、访问不到服务器或者服务器针对请求返回一个错误(例如:404)。
任何在连接过程中产生的异常要么是urllib2.URLError的实例,要么是它的一个子类。
#!/usr/bin/env python
import sys, urllib2
req = urllib2.Request(sys.argv[1])
try:
response = urllib2.urlopen(req)
except urllib2.URLError, e:
print "Error retrieving data:", e
sys.exit(1)
print response.read()
5.非http协议通信(如FTP)
urllib2模块也支持非http协议。默认情况下支持http、ftp、gopher和机器本地硬盘上的文件,只是response.info()返回的报头会有所差异。