urllib2使用总结

转载至：http://blog.chinaunix.net/uid-26722078-id-3504625.html

urllib2是Python的一个获取URLs的组件。他以urlopen函数的形式提供了一个非常简单的接口，具有利用不同协议获取URLs的能力，同样提供了一个比较复杂的接口来处理一般情况。

    urllib2支持获取不同格式的URLs例如：ftp、Gopher等,并利用它们相关网络协议进行获取。

    urllib2可用来完成以下功能：

    1.获取Web页面

    2.在远程http服务器上验证
    3.额外数据请求，如表单提交(GET和POST)
    4.异常处理
    5.非http协议通信(如FTP)

1.获取Web页面

   例1：打印html页面，下面是最简单的形式 

#!/usr/bin/env python
import urllib2 
response = urllib2.urlopen('http://www.google.com') 
html = response.read()
print html

    例2：打开指定页面并打印html页面和一些额外的信息，采用了urllib2最一般的形式：i、urllib2.Request()的功能是构造一个请求信息，返回的req就是一个构造好的请求。ii、urllib2.urlopen()的功能是发送刚刚构造好的请求req，并返回一个文件类的对象response，包括了所有的返回信息。iii、通过response.read()可以读取到response里面的html，通过response.info()可以读到一些额外的信息。

#!/usr/bin/env python
import sys, urllib2
req = urllib2.Request(sys.argv[1])
response = urllib2.urlopen(req)
print "Retrieved", response.geturl()
info = response.info()
for key, value in info.items():
    print "%s = %s" % (key, value)
html = response.read()
print html

2.在远程http服务器上验证

    有些站点需要http认证后才能访问。最普通的认证类型是基本认证，由客户端向服务器器发送一个用户名和密码。http认证一般显示一个弹出窗口来询问用户名和密码，这与基于cookie和form的认证不同。

    下面是一个例子，首先定义了一个扩展urllib2.HTTPPasswordMgr的类，允许在需要的时候询问用户名和密码，然后调用build_opener()指定一些额外处理，其实在urllib2.urlopen()内部调用了build_opener()，并且不带任何参数。所以在访问常规网站的时候urllib2.urlopen()等于opener.open()返回都一样。

#!/usr/bin/env python
import sys, urllib2, getpass
class BasePassword(urllib2.HTTPPasswordMgr):
    def find_user_password(self, realm, authurl):
        ret = urllib2.HTTPPasswordMgr.find_user_password(self, realm, authuri)
        if ret[0] == None and ret[1] == None:
            sys.stdout.write("Login reauired for %s at %sn" % (realm, authurl))
            sys.stdout.write("Username: ")
            username = sys.stdin.readline().rstrip()
            password = getpass.getpass().rstrip()
            return (username, password)
        else:
            return ret
req = urllib2.Request(sys.argv[1])
opener = urllib2.build_opener(urllib2.HTTPBasicAuthHandler(BasePassword()))
response = opener.open(req)
print response.read()

3.表单提交(GET和POST)

    有两种方法提交表单数据：GET和POST，取决于HTML文档中

标签里面的参数

    GET实例：

#!/usr/bin/env python
import sys, urllib2, urllib
keyword = sys.argv[1]
url = url + '?' + urllib.urlencode('http://www.xxx.com', [('query', keyword)])
req = urllib2.Request(url)
response = urllib2.urlopen(req)
print response.read()

    POST实例：

#!/usr/bin/env python
import sys, urllib2, urllib
keyword = sys.argv[1]
url = 'http://www.xxx.com'
data = urllib.urlencode([('query', keyword)])
req = urllib2.Request(url)
response = urllib2.urlopen(req, data)

    更一般的提交数据，通过urllib2.Request()构造一个有额外数据的请求信息。包括“http header”和想要发送的数据，这些数据需要被以标准的方式encode，然后作为一个数据参数传送给Request对象。Encoding是在urllib中完成的，而不是在urllib2中完成的。

    如下例：

#!/usr/bin/env python
import urllib, urllib2
url = 'http://www.baidu.com'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
values = {'name' : 'Michael Foord', 'location' : 'Northampton', 'language' : 'Python' }
headers = { 'User-Agent' : user_agent }
data = urllib.urlencode(values)
req = urllib2.Request(url, data, headers)
response = urllib2.urlopen(req)
the_page = response.read()

4.异常处理

    捕获连接错误，在和远程Web服务器建立连接时，很多地方可能出现问题：提供的URL不对、URL使用了一个不支持的协议、主机名不存在、访问不到服务器或者服务器针对请求返回一个错误（例如：404）。

    任何在连接过程中产生的异常要么是urllib2.URLError的实例，要么是它的一个子类。

#!/usr/bin/env python
import sys, urllib2
req = urllib2.Request(sys.argv[1])
try:
    response = urllib2.urlopen(req)
except urllib2.URLError, e:
    print "Error retrieving data:", e
    sys.exit(1)
print response.read()

5.非http协议通信(如FTP)

    urllib2模块也支持非http协议。默认情况下支持http、ftp、gopher和机器本地硬盘上的文件，只是response.info()返回的报头会有所差异。