使用Python访问网页主要有三种方式: urllib, urllib2, httplib
urllib比较简单,功能相对也比较弱,httplib简单强大,但好像不支持session
1. 最简单的页面访问
res=urllib2.urlopen(url)
print res.read()
2. 加上要get或post的数据
data={"name":"hank", "passwd":"hjz"}
urllib2.urlopen(url, urllib.urlencode(data))
3. 加上http头
header={"User-Agent": "Mozilla-Firefox5.0"}
urllib2.urlopen(url, urllib.urlencode(data), header)
使用opener和handleropener = urllib2.build_opener(handler)
urllib2.install_opener(opener)
4. 加上session
cj = cookielib.CookieJar() #在内存中加载cookie
cookie = cookielib.LWPCookieJar() #在硬盘中存储cookie
cjhandler=urllib2.HTTPCookieProcessor(cj)
opener = urllib2.build_opener(cjhandler)
urllib2.install_opener(opener)
5. 加上Basic认证
password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()
top_level_url = "http://www.163.com/"
password_mgr.add_password(None, top_level_url, username, password)
handler = urllib2.HTTPBasicAuthHandler(password_mgr)
opener = urllib2.build_opener(handler)
urllib2.install_opener(opener)
6. 使用代理
proxy_support = urllib2.ProxyHandler({"http":"http://1.2.3.4:3128/"})
opener = urllib2.build_opener(proxy_support)
urllib2.install_opener(opener)
7. 设置超时
socket.setdefaulttimeout(5)
1 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
1
importurllib2
2
enable_proxy= True
3
proxy_handler= urllib2.ProxyHandler({"http":'http://some-proxy.com:8080'})
4
null_proxy_handler=urllib2.ProxyHandler({})
5
if enable_proxy:
6
opener=urllib2.build_opener(proxy_handler)
7
else:
8
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。
2 Timeout 设置
在老版本中,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。
1
importurllib2
2
importsocket
3
4
socket.setdefaulttimeout(10)#
10 秒钟后超时
5
urllib2.socket.setdefaulttimeout(10)#
另一种方式
在新的 Python 2.6 版本中,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。
1
importurllib2
2
response= urllib2.urlopen('http://www.google.com',
timeout=10)
3 在 HTTP Request 中加入特定的 Header
要加入 Header,需要使用 Request 对象:
1
importurllib2
2
3
request=urllib2.Request(uri)
4
request.add_header('User-Agent','fake-client')
5
response= urllib2.urlopen(request)
对有些 header 要特别留意,Server 端会针对这些 header 做检查
User-Agent 有些 Server 或 Proxy 会检查该值,用来判断是否是浏览器发起的 Request
Content-Type 在使用 REST 接口时,Server 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 RPC 调用 Server 提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致 Server 拒绝服务。
4 Redirect
urllib2 默认情况下会针对 3xx HTTP 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。
1
importurllib2
2
3
response=urllib2.urlopen('http://www.google.cn')
4
whether_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,还可以使用自定义的 HTTPRedirectHandler 类。
01
importurllib2
02
03
class RedirectHandler(urllib2.HTTPRedirectHandler):
04
def http_error_301(self,
req, fp, code, msg, headers):
05
pass
06
def http_error_302(self,
req, fp, code, msg, headers):
07
pass
08
09
opener=urllib2.build_opener(RedirectHandler)
10
opener.open('http://www.google.cn')
5 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:
1
importurllib2
2
importcookielib
3
4
cookie=cookielib.CookieJar()
5
opener= urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response=opener.open('http://www.google.com')
6
for itemin cookie:
7
if item.name== 'some_cookie_item_name':
8
print item.value
6 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 HTTP PUT 或 DELETE 的包:
1
importurllib2
2
3
request=urllib2.Request(uri,
data=data)
4
request.get_method= lambda:'PUT'#
or 'DELETE'
5
response= urllib2.urlopen(request)
这种做法虽然属于 Hack 的方式,但实际使用起来也没什么问题。
7 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:
1
importurllib2
2
try:
3
response=urllib2.urlopen('http://restrict.web.com')
4
except urllib2.HTTPError,
e:
5
print e.code
8 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,方便我们调试,在一定程度上可以省去抓包的工作。
1
import urllib2
2
3
httpHandler=urllib2.HTTPHandler(debuglevel=1)
4
httpsHandler=urllib2.HTTPSHandler(debuglevel=1)
5
opener=urllib2.build_opener(httpHandler,
httpsHandler) urllib2.install_opener(opener)
6
response= urllib2.urlopen('http://www.google.com')