python中urllib2模块的8个使用细节分享

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 库的使用细节。

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

代码如下:

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。

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。

代码如下:

import urllib2
import socket

socket.setdefaulttimeout(10) # 10 秒钟后超时
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。

代码如下:

import urllib2
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:

代码如下:

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,server 端会针对这些 header 做检查

1.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
2.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:

1.application/xml :在 xml rpc,如 restful/soap 调用时使用
2.application/json :在 json rpc 调用时使用
3.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。

代码如下:

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,还可以使用自定义的 httpredirecthandler 类。

代码如下:

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’)

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:

代码如下:

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

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:

代码如下:

import urllib2

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

代码如下:

import urllib2
try:
response = urllib2.urlopen(‘http://restrict.web.com’)
except urllib2.httperror, e:
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。

代码如下:

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’)

Posted in 未分类