深入解析python中的urllib2模块

python 标准库中有很多实用的工具类,但是在具体使用时,标准库文档上对使用细节描述的并不清楚,比如 urllib2 这个 http 客户端库。这里总结了一些 urllib2 的使用细节。

proxy 的设置
timeout 设置
在 http request 中加入特定的 header
redirect
cookie
使用 http 的 put 和 delete 方法
得到 http 的返回码
debug log

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

import urllib2
enable_proxy = true
proxy_handler = urllib2.proxyhandler({“http” : ‘http://some-proxy.com:8080’})
null_proxy_handler = urllib2.proxyhandler({})
if enable_proxy:
opener = urllib2.build_opener(proxy_handler)
else:
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。

timeout 设置

在老版 python 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。

import urllib2
import socket
socket.setdefaulttimeout(10) # 10 秒钟后超时
urllib2.socket.setdefaulttimeout(10) # 另一种方式

在 python 2.6 以后,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2
response = urllib2.urlopen(‘http://www.google.com’, timeout=10)

在 http request 中加入特定的 header

要加入 header,需要使用 request 对象:

import urllib2
request = urllib2.request(uri)
request.add_header(‘user-agent’, ‘fake-client’)
response = urllib2.urlopen(request)

对有些 header 要特别留意,服务器会针对这些 header 做检查

user-agent : 有些服务器或 proxy 会通过该值来判断是否是浏览器发出的请求

content-type : 在使用 rest 接口时,服务器会检查该值,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

在使用服务器提供的 restful 或 soap 服务时, content-type 设置错误会导致服务器拒绝服务

redirect

urllib2 默认情况下会针对 http 3xx 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。

import urllib2
response = urllib2.urlopen(‘http://www.google.cn’)
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,还可以自定义 httpredirecthandler 类。

import urllib2
class redirecthandler(urllib2.httpredirecthandler):
def http_error_301(self, req, fp, code, msg, headers):
pass
def http_error_302(self, req, fp, code, msg, headers):
pass
opener = urllib2.build_opener(redirecthandler)
opener.open(‘http://www.google.cn’)

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:

import urllib2
import cookielib
cookie = cookielib.cookiejar()
opener = urllib2.build_opener(urllib2.httpcookieprocessor(cookie))
response = opener.open(‘http://www.google.com’)
for item in cookie:
if item.name == ‘some_cookie_item_name’:
print item.value

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 put 或 delete 的请求:

import urllib2
request = urllib2.request(uri, data=data)
request.get_method = lambda: ‘put’ # or ‘delete’
response = urllib2.urlopen(request)

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:

import urllib2
try:
response = urllib2.urlopen(‘http://restrict.web.com’)
except urllib2.httperror, e:
print e.code
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,方便调试,有时可以省去抓包的工作

import urllib2
httphandler = urllib2.httphandler(debuglevel=1)
httpshandler = urllib2.httpshandler(debuglevel=1)
opener = urllib2.build_opener(httphandler, httpshandler)
urllib2.install_opener(opener)
response = urllib2.urlopen(‘http://www.google.com’)

ps: 借助urllib2抓取网站生成rss
看了看oschina的博客页面,发现可以使用python来抓取.记得前段时间看到有人使用python的rss模块pyrss2gen生成了rss.于是忍不住手痒自己试着实现了下,幸好还是成功了,下面代码共享给大家.
首先需要安装pyrss2gen模块和beautifulsoup模块,pip安装下就好了,我就不再赘述了.
下面贴出代码

# -*- coding: utf-8 -*-
from bs4 import beautifulsoup
import urllib2
import datetime
import time
import pyrss2gen
from email.utils import formatdate
import re
import sys
import os
reload(sys)
sys.setdefaultencoding(‘utf-8′)
class rssspider():
def __init__(self):
self.myrss = pyrss2gen.rss2(title=’oschina’,
link=’http://my.oschina.net’,
description=str(datetime.date.today()),
pubdate=datetime.datetime.now(),
lastbuilddate = datetime.datetime.now(),
items=[]
)
self.xmlpath=r’/var/www/myrss/oschina.xml’
self.baseurl=”http://www.oschina.net/blog”
#if os.path.isfile(self.xmlpath):
#os.remove(self.xmlpath)
def useragent(self,url):
i_headers = {“user-agent”: “mozilla/5.0 (windows nt 6.1; wow64) \
applewebkit/537.36 (khtml, like gecko) chrome/36.0.1985.125 safari/537.36”, \
“referer”: ‘http://baidu.com/’}
req = urllib2.request(url, headers=i_headers)
html = urllib2.urlopen(req).read()
return html
def enterpage(self,url):
pattern = re.compile(r’\d{4}\s\d{2}\s\d{2}\s\d{2}\s\d{2}’)
rsp=self.useragent(url)
soup=beautifulsoup(rsp)
timespan=soup.find(‘p’,{‘class’:’blogstat’})
timespan=str(timespan).strip().replace(‘\n’,”).decode(‘utf-8′)
match=re.search(r’\d{4}\s\d{2}\s\d{2}\s\d{2}\s\d{2}’,timespan)
timestr=str(datetime.date.today())
if match:
timestr=match.group()
#print timestr
ititle=soup.title.string
p=soup.find(‘p’,{‘class’:’blogcontent’})
rss=pyrss2gen.rssitem(
title=ititle,
link=url,
description = str(p),
pubdate = timestr
)
return rss
def getcontent(self):
rsp=self.useragent(self.baseurl)
soup=beautifulsoup(rsp)
ul=soup.find(‘p’,{‘id’:’recentblogs’})
for li in ul.findall(‘li’):
p=li.find(‘p’)
if p is not none:
alink=p.find(‘a’)
if alink is not none:
link=alink.get(‘href’)
print link
html=self.enterpage(link)
self.myrss.items.append(html)
def saverssfile(self,filename):
finallxml=self.myrss.to_xml(encoding=’utf-8′)
file=open(self.xmlpath,’w’)
file.writelines(finallxml)
file.close()
if __name__==’__main__’:
rssspider=rssspider()
rssspider.getcontent()
rssspider.saverssfile(‘oschina.xml’)

可以看到,主要是使用beautifulsoup来抓取站点然后使用pyrss2gen来生成rss并保存为xml格式文件.
顺便共享下我生成的rss地址

http://104.224.129.109/myrss/oschina.xml

大家如果不想折腾的话直接使用feedly订阅就行了.
脚本我会每10分钟执行一次的.