Python | urllib2模块【转】

一、简介

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

二、Proxy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

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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。

三、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。

#!/usr/bin/python
# _*_ coding=utf-8 _*_
import socket
import urllib2
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。

#!/usr/bin/python
# _*_ coding=utf-8 _*_
import urllib2
response = urllib2.urlopen('http://www.google.com', timeout=10)

四、在HTTP Request中加入特定的Header

要加入header，需要使用Request对象：

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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，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

  • 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

五、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。

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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。

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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')

六、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：

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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

七、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：

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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。

八、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：

#!/usr/bin/python
# _*_ coding=utf-8 _*_
import urllib2
try:
    response = urllib2.urlopen('http://restrict.web.com')
except urllib2.HTTPError, e:
    print e.code

九、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

#!/usr/bin/python
# _*_ coding=utf-8 _*_
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')

转载地址：http://zhuoqiang.me/python-urllib2-usage.html#id5