[python相关]urllib2详解

from:http://www.cnblogs.com/CLTANG/archive/2011/09/15/2178163.html

先发段代码：

main() { printf (&unix[ "\021%six\012\0" ],(unix)[ "have" ]+ "fun" -0x60);}

以上的一条代码是1987年，由贝尔实验室的David Korn提交的获奖作品，为什么我想起这茬儿呢？还不是因为urllib和urllib2,“大师把代码写成上面那样可以获奖，你要把代码写成那样，就是垃圾”，这不是我的话，不过是有他的意思的。我看到了urllib和urllib2在设计，代码构造上很多不同，想到，或者是猜测python发展过程中，guido越来越看不惯urllib的混乱结构了，但是很多人已经习惯import urllib了，并且用的还可以，所以urllib不管代码里多么混乱，但他能运行！很好，于是guido只能在urllib外在开发了urllib2,来满足一个有“洁癖”的程序员的心理需求呢，所以，当我这个菜鸟程序员看到urllib2的代码结构的时候，明显比urllib清晰了很多，明确了很多，心情好多了。介绍的时候我会对比urllib2怎么做的，而urllib又是怎么做的。

1. 初步介绍

　　urllib2

　　urlib2是使用各种协议完成打开url的一个扩展包。最简单的使用方式是调用urlopen方法，比如

import urllib2
content_stream = urllib2.urlopen( 'http://www.baidu.com/' )
content = content_stream.read()
print content

即可以接受一个字符串型的url地址或者一个Request对象。将打开这个url并返回结果为一个像文件对象一样的对象.

    接下来是OpenerDirector操作类。这是一个管理很多处理类（Handler）的类。而所有这些 Handler 类都对应处理相应的协议，或者特殊功能。分别有下面的处理类:BaseHandler,HTTPErrorProcessor,HTTPDefaultErrorHandler,HTTPRedirectHandler,ProxyHandler,

AbstractBasicAuthHandler,HTTPBasicAuthHandler,ProxyBasicAuthHandler,AbstractDigestAuthHandler

ProxyDigestAuthHandler,AbstractHTTPHandler,HTTPHandler,HTTPCookieProcessor,UnknownHandler,FileHandler,

FTPHandler,CacheFTPHandler

是不是很多？很怕，和我说看到看的结构简单不一致，不是的，他们都是遵循相应的规则，需求创建的类，甚至是相似的。你何必一口想吃成个胖子，全部都要会，先只管最最基本的需求吧，http协议的处理类。

刚才我们说的最简单的urlib2的使用，也就是源码中给出的使用方式：

#file: urllib2.py
_opener = None
def urlopen(url, data = None , timeout = socket._GLOBAL_DEFAULT_TIMEOUT):
    global _opener
    if _opener is None :
        _opener = build_opener()
    return _opener. open (url, data, timeout)

对比给出urllib的最基本的使用方式：

_urlopener = None
def urlopen(url, data = None , proxies = None ):
    """Create a file-like object for the specified URL to read from."""
    from warnings import warnpy3k
    warnpy3k( "urllib.urlopen() has been removed in Python 3.0 in "
             "favor of urllib2.urlopen()" , stacklevel = 2 )

    global _urlopener
    if proxies is not None :
        opener = FancyURLopener(proxies = proxies)
    elif not _urlopener:
        opener = FancyURLopener()
        _urlopener = opener
    else :
        opener = _urlopener
    if data is None :
        return opener. open (url)
    else :
        return opener. open (url, data)

有个小警告： warnpy3k("urllib.urlopen() has been removed in Python 3.0 in " "favor of urllib2.urlopen()", stacklevel=2) ,说在py3k中已经移除了urllib.urlopen,更加偏爱urllib2.urlopen(),我想或多或少证明了我前面的一点猜测，guido看不惯urllib里的一些代码，在python2.6里先给你些小提示，慢慢改习惯吧，兄弟们。

现在分析urllib2里的urlopen, 一般我们直接调用urlopen()就是表示去调用build_opener()方法，然后用build_opener()方法返回的类对象去调用该对象的open方法，下面给出部分build_opener()的代码：

#build_opener()
def build_opener(*handlers):
    
    opener = OpenerDirector()
    default_classes = [ProxyHandler, UnknownHandler, HTTPHandler,
                       HTTPDefaultErrorHandler, HTTPRedirectHandler,
                       FTPHandler, FileHandler, HTTPErrorProcessor]

    skip = set()
    for klass in default_classes:
        for check in handlers:
            if isclass(check):
                if issubclass(check, klass):
                    skip.add(klass)
            elif isinstance(check, klass):
                skip.add(klass)
    for klass in skip:
        default_classes.remove(klass)

    for klass in default_classes:
        opener.add_handler(klass())

    for h in handlers:
        if isclass(h):
            h = h()
        opener.add_handler(h)
    return opener

这里我们可以看到，使用urllib2.urlopen()生成的是我们前面提到的管理很多处理器类的OpenerDirector操作类，然后给他加入很多的处理器,作为其一个属性，然后调用该处理器操作类对象的open方法就可以获取页面了。 流程就是

1.  生成一个处理器opener = OpenerDirector()对象
                                |
                                |
2.  给这个处理器对象加入处理器opener.add_handler(h)
                                |
                                |
3.  使用打开方法，可能是具体handler类的打开方法。获取至本地的“文件流”对象，使用“文件流”。read()获取内容，写入文件

即只要你是使用urllib2,不管你是要用代理，还是要用ftp,http,都逃不过这套过程

下面分析urllib里的urlopen(),使用urllib.urlopen()方法会生成一个FancyURLopener类的对象，而FancyURLopener类是URLopener类的子类，那么这个类对象直接调用URLopener类的open(url)方法就行了，对于使用者来说，urllib.urlopen()的使用方式更易于使用，但这只是初步使用上简单，在深度使用后，urllib就没有urllib2结构清晰了。

下面给出2中方法的不同实现:

1. urllib2

a. HTTPHandler方式

#! -*- encoding:utf-8 -*-

import urllib2

opener = urllib2.OpenerDirector()
handler = urllib2.HTTPHandler()
opener.add_handler(handler)
content_stream = opener.open('http://www.baidu.com/')
print content_stream.read()

b. ProxyHandler方式

#! -*- encoding:utf-8 -*-

import urllib2

handler = urllib2.ProxyHandler(proxies = {'http' : 'http://217.66.205.76:8080/'})
opener = urllib2.build_opener(handler)
f = opener.open('http://www.baidu.com/')
print f.read()

这里可以看到做的操作有先实例化一个处理类，然后调用build_opener类产生我们的管理器对象，调用管理器的open方法，就能获取网页内容了。细心的读者对这段示例程序不知道会不会有一个疑问，确定这里是以代理去打开的baidu首页吗？而不是这里的代理根本没起作用，实际仍然是以本地IP打开的？那么就需要测试了，只需要做一个简单的操作，将代理地址改一个不能使用的地址，比如：

#! -*- encoding:utf-8 -*-

import urllib2

handler = urllib2.ProxyHandler(proxies = {'http' : 'http://216.664.205.76:8080/'})
opener = urllib2.build_opener(handler)
f = opener.open('http://www.baidu.com/')
print f.read()

运行这段代码就会得到错误的信息的。因为这代理地址根本就是我胡编乱造的。

c. FileHandler

打开本地文件

#! -*- encoding:utf-8 -*-

import urllib2

handler = urllib2.FileHandler()
request = urllib2.Request(url='file:/D:\myapplesapple_id.txt')
opener = urllib2.build_opener(handler)
f = opener.open(request)
print f.read()

注意这里一定要指定是文件类型，即url一定要有file:/而不能单蠢的写url='D:\myapplesapple_id.txt'

d  FTPHandler

先一步步的来：

#! -*- encoding:utf-8 -*-

import urllib2

handler = urllib2.FTPHandler()
request = urllib2.Request(url='ftp://www.×××××.com/')
opener = urllib2.build_opener(handler)
f = opener.open(request)
print f.read()

执行结果显示：

    if resp[ 0 ] = = '3' : resp = self .sendcmd( 'PASS ' + passwd)
  File "C:\Python26\lib\ftplib.py" , line 243 , in sendcmd
    return self .getresp()
  File "C:\Python26\lib\ftplib.py" , line 218 , in getresp
    raise error_perm, resp
urllib2.URLError: 530 Login or password incorrect!>

需要登录用户名和密码！

#! -*- encoding:utf-8 -*-

import urllib2

handler = urllib2.FTPHandler()
request = urllib2.Request(url='ftp://用户名:密码@ftp地址/')
opener = urllib2.build_opener(handler)
f = opener.open(request)
print f.read()

执行以下，获得结果：

drwxr-xr-x 1 ftp ftp              0 Jan 08  2011 *****
drwxr-xr-x 1 ftp ftp              0 Jan 11  2011 *****
drwxr-xr-x 1 ftp ftp              0 Oct 28  2010 *******

带*的该ftp服务器下跟目录下的文件名，bingo!

以上是一些基本使用方法，但大家也可以看出就那么一套模式。下面是urllib的在写这些程序的做法

还是先给urllib的介绍吧，前面虽然写过urllib,但是有同学说我写的有点虎头蛇尾，弥补下自己的罪过

urllib可以打开任意的一个url地址，遵循了一些标准,比如

-RFC1808：相对路径处理方法

-RFC1738：标准url地址

-RFC1630：url细则

通过使用URLopener().open(file)将返回一个使用了不同协议操作的对象。接下来这个对象就可以调用像read(),readline(),readlines(),fileno(), close()和info()方法，大家可以看出很多都是类似于文件对象的方法。info方法返回一个mimetools.Message对象，能用于这个对象的各种信息状态的显示。如果使用info方法，将相应的调用getheader方法.

urllib中主题就2个类，一个URLopener类，一个FancyURLopener类，FancyURLopener是URLopener类的子类，也就是对URLopener类的扩展。而其他绝大部分的类都是围绕或者基于这2个类进行处理，一个urllib模块只要通了URLopener其他甚至都可以自己扩展了。

大多数情况下我们都是使用urllib.urlopen()

刚才已经对比过这2个方法了，可以看到urllib.urlopen()可以直接使用代理，假如我们真的使用不那么高级点，这个还是不错的，而urllib2的urlopen却不是能直接支持代理的。所以这对于很多同学认定urllib比urllib2好，不明白为什么会有urllib2这个玩意的一个原因吧。

a. 直接使用urlopen

#! -*- encoding:utf-8 -*-

import urllib

f = urllib.urlopen('http://www.baidu.com/')
print f.read()

b. 加入代理

#! -*- encoding:utf-8 -*-

import urllib

f = urllib.urlopen(url='http://www.baidu.com/', proxies={'has_key' : 'http://216.66.205.76:8080/'})

print f.read()

这里对比一下urllib2的代理的写法：

urllib2:             proxies = {'http' : 'http://217.66.205.76:8080/'}

urllib :              proxies={'has_key' : 'http://216.66.205.76:8080/'}

这里没有谁要谁坏的一说，只是告诉大家加以区别而已。

c 打开本地文件

#! -*- encoding:utf-8 -*-

import urllib

f = urllib.urlopen(url='file:/D:\\myapplesapple_id.txt')

print f.read()

这里我们可以看到怎么看怎么我在瞎扯，论代码量来说urllib做同样的工作都是urllib比urllib2少写代码！老实说我有点心虚了，难道urllib2真的不那么能方便程序员吗？

d ftp

#! -*- encoding:utf-8 -*-

import urllib

f = urllib.urlopen(url='ftp://python:read@www.*****.com/')

print f.read()

正确执行，难道?!

URLopener结构：

class URLopener:
    __tempfiles = None
    version = "Python-urllib/%s" % __version__
    def __init__(self, proxies=None, **x509):
    def __del__(self):
    def close(self):
    def cleanup(self):
    def addheader(self, *args):
    def open(self, fullurl, data=None):
    def open_unknown(self, fullurl, data=None):
    def open_unknown_proxy(self, proxy, fullurl, data=None):
    def retrieve(self, url, filename=None, reporthook=None, data=None):
    def open_http(self, url, data=None):
    def http_error(self, url, fp, errcode, errmsg, headers, data=None):
    def http_error_default(self, url, fp, errcode, errmsg, headers):
    def open_https(self, url, data=None):
    def open_file(self, url):
    def open_local_file(self, url):
    def open_ftp(self, url):
    def open_data(self, url, data=None):

该类的设计逻辑是不管37是否等于21，先实例化该类对象出来，如果有代理，在实例化的时候将代理制定给这个实例化对象的一个属性，然后直接调用这个类的open方法，open方法里面有很多处理逻辑，比如，通过你给定url来判断要使用什么协议来对这个url进行处理，调用本类中的那个方法，设计中的一个经典核心代码：

        urltype, url = splittype(fullurl)  #解析url，分析出该url的特点，比如file,ftp,http,等
        if not urltype:
            urltype = 'file'
        if urltype in self.proxies:
            proxy = self.proxies[urltype]
            urltype, proxyhost = splittype(proxy)
            host, selector = splithost(proxyhost)
            url = (host, fullurl) # Signal special case to open_*()
        else:
            proxy = None
        name = 'open_' + urltype
        self.type = urltype
        name = name.replace('-', '_')
        if not hasattr(self, name):
            if proxy:
                return self.open_unknown_proxy(proxy, fullurl, data)
            else:
                return self.open_unknown(fullurl, data)
        try:
            if data is None:
                return getattr(self, name)(url)   #getattr()方法，如果name(形如'open_http','open_ftp','open_local_file')为真，返回这个属性，
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　#即调用了这个方法，并且url是他传入的一个参数！从该类中其他方法名可以看出作者就是这个意思。
            else:
                return getattr(self, name)(url, data)
        except socket.error, msg:
            raise IOError, ('socket error', msg), sys.exc_info()[2]

调用到符合url协议的方法了，然后就知道识别找方法，多么有意思的python代码，但是guido不满意,我不能妄自揣夺各种原因，一点我都不敢说，因为我在用他设计的语言。并且用的还很高兴，呵呵。

　　好吧，就这样，我又失败了一次，我真是个失败者。想分析出urllib2比urllib好，结果却成现在这个模样，urllib比urllib2用起来简单。