Python 是一种面向对象、解释型计算机程序设计语言,由Guido van Rossum于1989年底发明,第一个公开发行版发行于1991年,Python 源代码同样遵循 GPL(GNU General Public License)协议[1] 。Python语法简洁而清晰,具有丰富和强大的类库。
urllib and urllib2 区别
urllib和urllib2模块都做与请求URL相关的操作,但他们提供不同的功能。
urllib2.urlopen accepts an instance of the Request class or a url, (whereas urllib.urlopen only accepts a url 中文意思就是:urllib2.urlopen可以接受一个Request对象或者url,(在接受Request对象时候,并以此可以来设置一个URL 的headers),urllib.urlopen只接收一个url
urllib 有urlencode,urllib2没有,这也是为什么总是urllib,urllib2常会一起使用的原因
r = Request(url=‘http://www.mysite.com‘) r.add_header(‘User-Agent‘, ‘awesome fetcher‘) r.add_data(urllib.urlencode({‘foo‘: ‘bar‘}) response = urllib2.urlopen(r) #post method
urllib 模块
I. urlencode不能直接处理unicode对象,所以如果是unicode,需要先编码,有unicode转到utf8,举例:
urllib.urlencode (u‘bl‘.encode(‘utf-8‘))
II. 示例
import urllib #sohu 手机主页 url = ‘http://m.sohu.com/?v=3&_once_=000025_v2tov3&_smuid=ICvXXapq5EfTpQTVq6Tpz‘ resp = urllib.urlopen(url) page = resp.read() f = open(‘./urllib_index.html‘, ‘w‘) f.write(page) print dir(resp)
结果:
[‘doc‘, ‘init‘, ‘iter‘, ‘module‘, ‘repr‘, ‘close‘, ‘code‘, ‘fileno‘, ‘fp‘, ‘getcode‘, ‘geturl‘, ‘headers‘, ‘info‘, ‘next‘, ‘read‘, ‘readline‘, ‘readlines‘, ‘url‘] print resp.getcode(), resp.geturl(), resp.info(), resp.headers, resp.url #resp.url和resp.geturl()结果一样
III. 编解码示例 urllib.quote和urllib.urlencode都是编码,但用法不一样
s = urllib.quote(‘This is python‘) #编码 print ‘quote:\t‘+s #空格用%20替代 s_un = urllib.unquote(s) #解码 print ‘unquote:\t‘+s_un s_plus = urllib.quote_plus(‘This is python‘) #编码 print ‘quote_plus:\t‘+s_plus #空格用+替代 s_unplus = urllib.unquote_plus(s_plus) #解码 print ‘s_unplus:\t‘+s_unplus s_dict = {‘name‘: ‘dkf‘, ‘pass‘: ‘1234‘} s_encode = urllib.urlencode(s_dict) #编码字典转换成url参数 print ‘s_encode:\t‘+s_encode
结果:
quote: This%20is%20python unquote: This is python quote_plus: This+is+python s_unplus: This is python s_encode: name=dkf&pass=1234
IV. urlretrieve() urlretrieve多数适用单纯的只下载的功能或者显示下载的进度等
url = ‘http://m.sohu.com/?v=3&_once_=000025_v2tov3&_ smuid=ICvXXapq5EfTpQTVq6Tpz‘
urllib.urlretrieve(url, ‘./retrieve_index.html‘)
#直接把url链接网页内容下载到retrieve_index.html里了,适用于单纯的下载的功能。 #urllib.urlretrieve(url, local_name, method)
urllib2
I. urllib2模块定义的函数和类用来获取URL(主要是HTTP的),他提供一些复杂的接口用于处理: 基本认证,重定向,Cookies等。 II. 常用方法和类 II.1 urllib2.urlopen(url[, data][, timeout]) #传url时候,用法同urllib里的urlopen II.1.1 它打开URL网址,url参数可以是一个字符串url或者是一个Request对象。可选的参数timeout,阻塞操作以秒为单位,如尝试连接(如果没 有指定,将使用设置的全局默认timeout值)。实际上这仅适用于HTTP,HTTPS和FTP连接。
url = ‘http://m.sohu.com/?v=3&_once_=000025_v2tov3&_smuid=ICvXXapq5EfTpQTVq6Tpz‘86 resp = urllib2.urlopen(url)87 page = resp.read()
II.1.2 urlopen方法也可通过建立了一个Request对象来明确指明想要获取的url。调用urlopen函数对请求的url返回一个response对 象。这个response类似于一个file对象,所以用.read()函数可以操作这个response对象
url = ‘http://m.sohu.com/?v=3&_once_=000025_v2tov3&_smuid =ICvXXapq5EfTpQTVq6Tpz‘ req = urllib2.Request(url) resp = urllib2.urlopen(req) page = resp.read()
II.2 class urllib2.Request(url[, data][, headers][, originreqhost][, unverifiable])
II.2.1 Request类是一个抽象的URL请求。5个参数的说明如下: II.2.1.1 URL——是一个字符串,其中包含一个有效的URL。 II.2.1.2 data——是一个字符串,指定额外的数据发送到服务器,如果没有data需要发送可以为“None”。目前使用data的HTTP请求是唯一的。当请求 含有data参数时,HTTP的请求为POST,而不是GET。数据应该是缓存在一个标准的application/x-www-form- urlencoded格式中。urllib.urlencode()函数用映射或2元组,返回一个这种格式的字符串。通俗的说就是如果想向一个URL发送 数据(通常这些数据是代表一些CGI脚本或者其他的web应用)。例如在网上填的form(表单)时,浏览器会POST表单的内容,这些数据需要被以标准 的格式编码(encode),然后作为一个数据参数传送给Request对象。Encoding是在urlib模块中完成的,而不是在urlib2中完成 的。下面是个例子:
import urllib import urllib2 url = ‘http://www.someserver.com/cgi-bin/register.cgi‘values = {‘name‘ : ‘Michael Foord‘, ‘location‘ : ‘Northampton‘, ‘language‘ : ‘Python‘ } data = urllib.urlencode(values) req = urllib2.Request(url, data) #send post response = urllib2.urlopen(req) page = response.read()
II.2.1.3 headers——是字典类型,头字典可以作为参数在request时直接传入,也可以把每个键和值作为参数调用add_header()方法来添加。作 为辨别浏览器身份的User-Agent header是经常被用来恶搞和伪装的,因为一些HTTP服务只允许某些请求来自常见的浏览器而不是脚本,或是针对不同的浏览器返回不同的版本。例 如,Mozilla Firefox浏览器被识别为“Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11”。默认情况下,urlib2把自己识别为Python-urllib/x.y(这里的xy是python发行版的主要 或次要的版本号,如在Python 2.6中,urllib2的默认用户代理字符串是“Python-urllib/2.6。下面的例子和上面的区别就是在请求时加了一个headers,模 仿IE浏览器提交请求。
import urllib import urllib2 url = ‘http://www.someserver.com/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()
标准的headers组成是(Content-Length, Content-Type and Host),只有在Request对象调用urlopen()(上面的例子也属于这个情况)或者OpenerDirector.open()时加入。两种 情况的例子如下: 使用headers参数构造Request对象,如上例在生成Request对象时已经初始化header,而下例是Request对象调用 add_header(key, val)方法附加header(Request对象的方法下面再介绍):
import urllib2 req = urllib2.Request(‘http://www.example.com/‘) req.add_header(‘Referer‘, ‘http://www.python.org/‘) #http是无状态的协议,上一次客户端的请求与下一次客户端到服务器的请求无关系的,多数省略这一步 r = urllib2.urlopen(req)
OpenerDirector为每一个Request自动加上一个User-Agent header,所以第二种方法如下(urllib2.buildopener会返回一个OpenerDirector对象,关于urllib2.buildopener类下面再说):
import urllib2 opener = urllib2.build_opener() opener.addheaders = [(‘User-agent‘, ‘Mozilla/5.0‘)] opener.open(‘http://www.example.com/‘)
II.3 urllib2.installopener(opener)和urllib2.buildopener([handler, ...])
installopener和buildopener这两个方法通常都是在一起用,也有时候buildopener单独使用来得到OpenerDirector对象。
installopener 实例化会得到OpenerDirector 对象用来赋予全局变量opener。如果想用这个opener来调用urlopen,那么就必须实例化得到OpenerDirector;这样就可以简单 的调用OpenerDirector.open()来代替urlopen()。
build_opener实例化也会得到 OpenerDirector对象,其中参数handlers可以被BaseHandler或他的子类实例化。子类中可以通过以下实例 化:ProxyHandler (如果检测代理设置用)扫描代理会用到,很重要这个, UnknownHandler, HTTPHandler, HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。
import urllib2 req = urllib2.Request(‘http://www.python.org/‘) opener=urllib2.build_opener() urllib2.install_opener(opener) f = opener.open(req)
如上使用 urllib2.install_opener()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。
说到这Opener和Handler之间的操作听起来有点晕。整理下思路就清楚了。当获取一个URL时,可以使用一 个opener(一个urllib2.OpenerDirector实例对象,可以由build_opener实例化生成)。正常情况下程 序一直通过urlopen使用默认的opener(也就是说当你使用urlopen方法时,是在隐式的使用默认的opener 对象),但也可以创建自定义的openers(通过操作 器handlers创建的opener实例)。所有的重活和麻烦 都交给这些handlers来做。每一个handler知道如何以一种特定的协议(http,ftp等等)打开url,或 者如何处理打开url发生的HTTP重定向,或者包含的HTTP cookie。创建openers时如果想要安装特别的han dlers来实现获取url(如获取一个处理cookie的opener,或者一个不处理重定向的opener)的话,先实例 一个OpenerDirector对象,然后多次调用.add_handler(some_handler_instance)来创建一个opene r。或者,你可以用build_opener,这是一个很方便的创建opener对象的函数,它只有一个函数调用 。build_opener默认会加入许多handlers,它提供了一个快速的方法添加更多东西和使默认的handler 失效。
install_opener如上所述也能用于创建一个opener对象,但是这个对象是(全局)默认的opener。这意味着调用urlopen 将会用到你刚创建的opener。也就是说上面的代码可以等同于下面这段。这段代码最终还是使用的默认opener。一般情况下我们用 build_opener为的是生成自定义opener,没有必要调用install_opener,除非是为了方便。
import urllib2 req = urllib2.Request(‘http://www.python.org/‘) opener=urllib2.build_opener() # 创建opener对象 urllib2.install_opener(opener) #定义全局默认opener f = urllib2.urlopen(req) #urlopen使用默认opener,但是install_opener #已经把opener设为全局默认了,这里便是使用上面的建立的opener
III. 异常处理http://www.jb51.net/article/63711.htm当我们调用urllib2.urlopen的时候不会总是这么顺利,就像浏览器打开url时有时也会报 错,所以就需要我们有应对异常的处理。说到异常,我们先来了解返回的response对象的 几个常用的方法:
geturl() — 返回检索的URL资源,这个是返回的真正url,通常是用来鉴定是否重定向的
info() — 返回页面的原信息就像一个字段的对象, 如headers,它以mimetools.Message实例为格式(可以参考HTTP Headers说明)。
getcode() — 返回响应的HTTP状态代码,运行下面代码可以得到code=200 当不能处理一个response时,urlopen抛出一个URLError(对于python APIs,内建异常如,ValueError, TypeError 等也会被抛出。)
-
HTTPError是HTTP URL在特别的情况下被抛出的URLError的一个子类。下面就详细说说URLError和HTTPError。 URLError——handlers当运行出现问题时(通常是因为没有网络连接也就是没有路由到指定的服务器,或在指定的服务器不存在)
-
HTTPError——HTTPError是URLError的子类。每个来自服务器HTTP的response都包含“status code”. 有时status code不能处理这个request. 默认的处理程序将处理这些异常的responses。例如,urllib2发现response的URL与你请求的URL不同时也就是发生了重定向时,会 自动处理。对于不能处理的请求, urlopen将抛出 - - - HTTPError异常. 典型的错误包含‘404’ (没有找到页面), ‘403’ (禁止请求),‘401’ (需要验证)等。它包含2个重要的属性reason和code。
-
程序对于重定向时默认处理的
总结
如果只是单纯的下载或者显示下载进度,不对下载后的内容做处理等,比如下载图片,css,js文件等,可以用urlilb.urlretrieve()
如果是下载的请求需要填写表单,输入账号,密码等,建议用urllib2.urlopen(urllib2.Request())
在对字典数据编码时候,用到的是urllib.urlencode()
requests
I. Requests 使用的是 urllib3,继承了urllib2的所有特性。Requests支持HTTP连接保持和连接池,支持使用cookie保持会话,支持文件上传,支持自 动确定响应内容的编码,支持国际化的 URL 和 POST 数据自动编码。 II. 举例:
import requests ... resp = requests.get(‘http://www.mywebsite.com/user‘) userdata = {"firstname": "John", "lastname": "Doe", "password": "jdoe123"} resp = requests.post(‘http://www.mywebsite.com/user‘, params=userdata) resp = requests.put(‘http://www.mywebsite.com/user/put‘) resp = requests.delete(‘http://www.mywebsite.com/user/delete‘) resp.json() # 假如返回的是json数据 resp.text #返回的不是text数据 resp.headers[‘content-type‘] #返回text/html;charset=utf-8 f = open(‘request_index.html‘, ‘w‘) f.write(page.encode(‘utf8‘)) #test 发现requests抓下来的页面必须要编码 #写入,(抓下来的是unicode),urllib和urllib2抓下来可以直接写入, #因为这两者抓下来的page是str
III. 其他功能特性
国际化域名和 URLs Keep-Alive & 连接池 持久的 Cookie 会话 类浏览器式的 SSL 加密认证 基本/摘要式的身份认证 优雅的键/值 Cookies 自动解压 Unicode 编码的响应体 多段文件上传 连接超时 支持 .netrc 适用于 Python 2.6—3.4线程安全
IV. requests不是python自带的库,需要另外安装 easy_install or pip install
V. requests缺陷:直接使用不能异步调用,速度慢(from others)。官方的urllib可以替代它。
VI. 个人不建议使用requests模块