zll01

LWP 与 WEB 的基本使用

简介

LWP (“Library for WWW in Perl” 的缩写) 是一个由多个模块组成，用来获取网络数据的的模块组。和很多 Perl 的模块一样。每一个 LWP 模块都自带详细的文档，做为对这个模块的完整介绍。可是面对 LWP 里的众多模块，有时候即使是完成最简单的工作，新手们也常常不知道从那里开始。

要对 LWP 做全面的介绍需要一整本书，很幸运，Perl & LWP 已经出版。而这篇文章向你介绍了最常见的 LWP 用法。

使用 LWP::Simple 获取网页

如果只是要拿到某个网页，那使用 LWP::Simple 里的函数是最简单的。

通过调用 get($url) 函数，就可以得到相关网址的内容。如果没有发生错误，get 函数返回此网页，否则，返回 undef。例子如下：

  my $url = 'http://freshair.npr.org/dayFA.cfm?todayDate=current'

  use LWP::Simple;
  my $content = get $url;
  die "Couldn't get $url" unless defined $content;

  #  $content 里是网页内容，下面是对此内容作些分析：

  if($content =~ m/jazz/i) {
    print "They're talking about jazz today on Fresh Air!/n";
  } else {
    print "Fresh Air is apparently jazzless today./n";
  }

如果要在命令行里运行，getprint 函数非常方便。如果没有发生错误，它会把网页内容输出到 STDOUT，否则将会有错误信息输出到 STDERR。例如:

   % perl -MLWP::Simple -e "getprint 'http://cpan.org/RECENT'"

上面的网址指向一个文本文件，列有最近两个星期内 CPAN 更新过的文件。如果想要知道 Acme:: 的模块是否有更新，有就email 自己，你可以把它和 Shell 结合到一起来实现。如下：

  % perl -MLWP::Simple -e "getprint 'http://cpan.org/RECENT'"  /
     | grep "/by-module/Acme" | mail -s "New Acme modules! Joy!" $USER

LWP::Simple 还有一些非常有用的函数，包括一个运行HEAD请求的函数，用来检查链接是否有效，网页是否更新。另外两个用来保存和镜像网址的函数也值得一提。具体请看 LWP::Simple 的文档或 Perl & LWP 的第二章.

LWP Class 模型基础

LWP::Simple 在做简单的工作时很方便。但因为不支持 cookies，用户认证，对 HTTP request header （请求标头）的编辑，和 HTTP resonse header（响应标头）的读写（主要是 HTTP 的 error message）。因此，当需要这些特性的时候，就要使用 LWP Class 模型。

在众多的 LWP Class 里，LWP::UserAgent 和 HTTP::Response 是必须理解的。LWP::UserAgent 就像一个虚拟浏览器用来作 request （请求）。HTTP::Response 用来储存 request （请求）生成的 response（响应）。

最基本的用法是 $response = $browser->get($url), 或写的更完整些 :

  # 程序开始:

  use LWP 5.64; # 载入较新版本的 LWP classes 

  my $browser = LWP::UserAgent->new;

  ...

  # get request:
  my $url = 'http://freshair.npr.org/dayFA.cfm?todayDate=current';

  my $response = $browser->get( $url );
  die "Can't get $url -- ", $response->status_line
   unless $response->is_success;

  die "Hey, 我想要 HTML 格式而不是 ", $response->content_type
   unless $response->content_type eq 'text/html';
     # 或者任何其他的 content-type

  # 成功的话就对内容处理

  if($response->content =~ m/jazz/i) {
    print "Fresh Air 今天在讨论爵士乐!/n";
  } else {
    print "Fresh Air 今天讨论的和爵士乐一点边都不沾./n";
  }

上面有两个相关的 object： $browser，是 LWP::UserAgent 的一个object。$response 是属于 HTTP::Response 类的一个object。一个程序里只需要一个 $browser object，但是每次发出一个 request，就会得到一个新的 HTTP::Response object。

HTTP::Response object 有以下一些有价值的属性:

一个 status code（状态代码值），表示成功或失败。你可以使用 $response->is_success 来检测它。
http status line（http 状态描述），观察 $response->status_line 的结果 ( 比如 “404 Not Found” ) 会帮助你理解这个词的意思。
MIME content-type（文件类型）通过 $response->content_type 来获得。例如 “text/html”，”image/gif”，”application/xml” 等等。
content of the response（响应返回的内容）储存在 $response->content。内容可能是 html 格式。如果是 GIF 格式，$response->content 里是二进制的 GIF 数据。
许多其他 methods 都可以在 HTTP::Response 和它的 superclasses （父 class） HTTP::Message 和 HTTP::Headers 里找到。

添加其他 HTTP 请求 headers

request (请求) 常用的方法是 $response = $browser->get($url)，但如果需要，你可以在 $url 后跟一个键值的列表来给你的 request 加上其他 HTTP headers。象这样 :

   $response = $browser->get( $url, $key1, $value1, $key2, $value2, ... );

举个例子，如果你要对一个只允许 Netscape 浏览器连入的网站发出请求，那就需要发出类似 Netscape 的 header，如下:

  my @ns_headers = (
   'User-Agent' => 'Mozilla/4.76 [en] (Win98; U)',
   'Accept' => 'image/gif, image/x-xbitmap, image/jpeg, 
        image/pjpeg, image/png, */*',
   'Accept-Charset' => 'iso-8859-1,*,utf-8',
   'Accept-Language' => 'en-US',
  );

  ...

  $response = $browser->get($url, @ns_headers);

如果不打算重复使用这个 array，你可以把它写到 get 函数里

  $response = $browser->get($url,
   'User-Agent' => 'Mozilla/4.76 [en] (Win98; U)',
   'Accept' => 'image/gif, image/x-xbitmap, image/jpeg, 
        image/pjpeg, image/png, */*',
   'Accept-Charset' => 'iso-8859-1,*,utf-8',
   'Accept-Language' => 'en-US',
  );

如果只是打算修改 User-Agent，可以通过 LWP::UserAgent 的 agent 方法把缺省的agent ‘libwww-perl/5.65’（或者别的）改掉。

   $browser->agent('Mozilla/4.76 [en] (Win98; U)');

使用 cookies

默认的LWP::UserAgent对象像一个不支持cookies的浏览器一样工作。有不只一种的办法可以设定它的cookie_jar属性，从而让它支持cookies。“cookie jar” 是一个用来储存 HTTP cookie 的容器。你可以把它存到硬盘（像Netscape使用cookies.txt一样）或内存里。存到内存里的 cookies 会在程序完成后消失。

内存式的 cookie 使用方法:

   $browser->cookie_jar({});

也可以把 cookie 储存到硬盘的文件里：

 use HTTP::Cookies;
  $browser->cookie_jar( HTTP::Cookies->new(
    'file' => '/some/where/cookies.lwp',
        # 储存 cookies 的地址
    'autosave' => 1,
        # 当完成后自动储存到硬盘里
  ));

文件里的 cookie 是以 LWP 自定的格式储存，如果你想在 netscape 里使用这个 cookie 文件，可以使用 HTTP::Cookies::Netscape class :

  use HTTP::Cookies;
    # yes, loads HTTP::Cookies::Netscape too

  $browser->cookie_jar( HTTP::Cookies::Netscape->new(
    'file' => 'c:/Program Files/Netscape/Users/DIR-NAME-HERE/cookies.txt',
        # where to read cookies
  ));

你也可以象上面一样使用 ‘autosave’ => 1 。但 Netscape 的 cookie 有时会在写入硬盘之前就被丢掉，至少在写这篇文章的时候还是这样。

通过 POST提交表格

大部分HTML表格使用HTML POST 向服务器提交数据，在这里你可以这样：

 $response = $browser->post( $url,
   [
     formkey1 => value1, 
     formkey2 => value2, 
     ...
   ],
 );

或者你也可以把 HTTP header 也一起发出

 $response = $browser->post( $url,
   [
     formkey1 => value1, 
     formkey2 => value2, 
     ...
   ],
   headerkey1 => value1, 
   headerkey2 => value2, 
 );

下一个例子向 AltaVista 的搜索引擎发送 HTTP POST 请求，然后从HTML里提取出符合匹配的总数。

  use strict;
  use warnings;
  use LWP 5.64;
  my $browser = LWP::UserAgent->new;

  my $word = 'tarragon';

  my $url = 'http://www.altavista.com/sites/search/web';
  my $response = $browser->post( $url,
    [ 'q' => $word,  # the Altavista query string
      'pg' => 'q', 'avkw' => 'tgz', 'kl' => 'XX',
    ]
  );
  die "$url error: ", $response->status_line
   unless $response->is_success;
  die "Weird content type at $url -- ", $response->content_type
   unless $response->content_type eq 'text/html';

  if( $response->content =~ m{AltaVista found ([0-9,]+) results} ) {
    # 从 "AltaVista found 2,345 results" 里匹配出结果
    print "$word: $1/n";
  } else {
    print "Couldn't find the match-string in the response/n";
  }

通过 GET 提交表格

一些HTML表格不使用 POST 请求，而是使用 GET 请求来传输数据。例如，在 imdb.com 里检索电影名字 ‘Blade Runner’, 提交后在浏览器的网址栏里将显示 :

  http://us.imdb.com/Tsearch?title=Blade%20Runner&restrict=Movies+and+TV

下面是使用 LWP 实现同样的结果 :

  use URI;
  my $url = URI->new( 'http://us.imdb.com/Tsearch' );
    # makes an object representing the URL

  $url->query_form(  # And here the form data pairs:
    'title'    => 'Blade Runner',
    'restrict' => 'Movies and TV',
  );

  my $response = $browser->get($url);

第5章详细描述了 HTML 表格和表格数据，第6章到第9章描述了怎样从获得的HTML数据里提取出有用的信息。

URL 处理

上面提到的 URI class 提供很多获取和修改 URL 的方法。例如如果想要知道 url 是什么类型 (http, ftp 等等) 可以使用 $url->schema 来得到，如果要提取网址里的主机名，可以使用 $url->host。不过，可能最有用的是我前面提到的 query_form 方法，以及把相对网址路径（如”../foo.html”）转换成绝对路径（如”http: //www.perl.com/stuff/foo.html”）的 new_abs 方法。例子如下：

  use URI;
  $abs = URI->new_abs($maybe_relative, $base);

>现在回忆一下获取最新 CPAN 模块的那个例子。

  use strict;
  use warnings;
  use LWP 5.64;
  my $browser = LWP::UserAgent->new;

  my $url = 'http://www.cpan.org/RECENT.html';
  my $response = $browser->get($url);
  die "Can't get $url -- ", $response->status_line
   unless $response->is_success;

  my $html = $response->content;
  while( $html =~ m/chunk86920392chunklt;A HREF=/"(.*?)/"/g ) {    
      print "$1/n";  
  }

输出的结果是

  MIRRORING.FROM
  RECENT
  RECENT.html
  authors/00whois.html
  authors/01mailrc.txt.gz
  authors/id/A/AA/AASSAD/CHECKSUMS
  ...

你可以使用 URI 模块的 new_abs 方法来得到完全网址路径，修改 while 循环：

  while( $html =~ m/<A HREF=/"(.*?)/"/g ) {    
      print URI->new_abs( $1, $response->base ) ,"/n";
  }

$response->base 方法可以在 HTTP::Message 里找到。它返回的 URL 通常被用来和相对路径合并来得到完全路径。现在得到的结果是

  http://www.cpan.org/MIRRORING.FROM
  http://www.cpan.org/RECENT
  http://www.cpan.org/RECENT.html
  http://www.cpan.org/authors/00whois.html
  http://www.cpan.org/authors/01mailrc.txt.gz
  http://www.cpan.org/authors/id/A/AA/AASSAD/CHECKSUMS
  ...

请参考 Perl & LWP 的第四章，以得到对 URI objects 更详细的描述。

当然，使用 regexp (正则表达式) 来匹配 url 相对简单，如果情况复杂,需要更强大的匹配工具，可以考虑 HTML 分析模块 HTML::LinkExtor 或 HTML::TokeParser，甚至 HTML::TreeBuilder

其他浏览器属性

LWP::UserAgent objects 有几个值得注意的属性 :

$browser->timeout(15): 设定缺省 request 的 timeout 时间.超过这个时间就放弃请求。
$browser->protocols_allowed( [ ‘http’, ‘gopher’] ): 这用来设定只接受 http 和 gopher 协议。连接其他协议时就返回 500 错误值，”Access to ftp URIs has been disabled” 的错误消息。
use LWP::ConnCache; $browser->conn_cache(LWP::ConnCache->new()): 这告诉 browser object 使用 HTTP/1.1 “keep-Alive” 特性，即重复使用先前的 socket 来加快请求速度。
$browser->agent( ‘SomeName/1.23 (more info here maybe)’ ): 设置 HTTP 请求的 User-Agent。LWP 缺省使用 “libwww-perl/versionnumber” 作为 User-Agent，比如 “libwww-perl/5.65”。你可以加上更多的信息:
```
      $browser->agent( ‘SomeName/3.14 ([email protected])’ );
	
```
或者可以伪装为
```
      $browser->agent( ‘Mozilla/4.0 (compatible; MSIE 5.12; Mac_PowerPC)’ );
	
```
push @{ $ua->requests_redirectable }, ‘POST’: 告诉 LWP 在 POST 请求发送后如果发生重新定向就自动跟随 ( 虽然 RFC 里不要求这么做 )

详细请参见 LWP::UserAgent 文档.

写一个有礼貌的机器人

如果想遵循 robots.txt 和避免在较短的时间发出太多的请求，你可以采用 LWP::RobotUA 而不是 LWP::UserAgent。

LWP::RobotUA 用法与 LWP::UserAgent 一样:

  use LWP::RobotUA;
  my $browser = LWP::RobotUA->new(
    'YourSuperBot/1.34', '[email protected]');
    # 机器人名字和 email 地址

  my $response = $browser->get($url);

HTTP::RobotUA 多了几个特性:

如果 $url 请求的服务器的 robots.txt 禁止了你对 $url的访问，那么 $browser 就不会发出对于这个地址的请求，而是返回 403 代码和一个错误信息 “Forbidden by robots.txt”。
```
    die "$url -- ", $response->status_line, "/nAborted" 
   unless $response->is_success;
	
```
然后你会得到这样的错误信息：
```
      http://whatever.site.int/pith/x.html -- 403 Forbidden 
      by robots.txt
      Aborted at whateverprogram.pl line 1234
	
```
如果 $browser 发现请求的地址是刚刚请求过的，就会暂停 (sleep) 来避免发送太多的请求。缺省暂停 1 分钟，但可以通过 $browser->delay( minutes ) 来设定。比如：
```
     $browser->delay( 7/60 );
	
```

详细请参见 LWP::RobotUA文档.

使用代理

有时你希望（或者是必须）通过代理来连接某些站点或协议，就比如你的LWP程序是运行在某台处于防火墙之内的机器上。

代理通常储存在环境变量 HTTP_PROXY 里。LWP 可以通过 user-agent object 里的 env_proxy 函数把环境变量里的代理地址装载。

  use LWP::UserAgent;
  my $browser = LWP::UserAgent->new;

  # And before you go making any requests:
  $browser->env_proxy;

详细请参照 LWP::UserAgent 文档里的 proxy, env_proxy 和 no_proxy 方法.

HTTP 认证

许多网站都是通过 HTTP 认证来限制连接. 当用户请求一个限制页面时, HTTP 服务器回复 “That document is part of a protected ‘realm’ and you can access it only if you re-request it and add some special authorization headers to your request”. ( 你现在请求了一个限制区域 , 如果你需要重新发送一个带有认证信息的 header 才可以连入. )

Unicode.org 的管理员为了防止机器人访问邮件组获取发信人地址，要求先进行 HTTP 认证。用户名和密码是公开的：用户名: unicode-ml 密码: unicode

假设一个限制页面的地址是

  http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html

如果你在浏览器里请求这个地址，一个新的窗口跳出，显示 “Enter username and password for ‘Unicode-MailList-Archives’ at server ‘www.unicode.org’”。请你输入用户名和密码，就像这样：

单纯使用 LWP 请求这个网址 :

  use LWP 5.64;
  my $browser = LWP::UserAgent->new;

  my $url =
   'http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html';
  my $response = $browser->get($url);

  die "Error: ", $response->header('WWW-Authenticate') || 
    'Error accessing',
    #  ('WWW-Authenticate' is the realm-name)
    "/n ", $response->status_line, "/n at $url/n Aborting" 
   unless $response->is_success;

你将得到以下错误:

   Error: Basic realm="Unicode-MailList-Archives" 
   401 Authorization Required
   at http://www.unicode.org/mail-arch/unicode-ml/y2002-m08/0067.html
   Aborting at auth1.pl line 9.  [or wherever]

这是因为 LWP 不知道 host www.unicode.org 里的 “Unicode-MailList-Archives” 区的用户名和地址。解决这个问题最简单的方法是使用 credentials 方法来提供用户名和密码：

   $browser->credentials(
    'servername:portnumber',
    'realm-name',
    'username' => 'password'
  );

通常, 端口是 80. credentials 函数要在发请求之前调用.比如:

  $browser->credentials(
    'reports.mybazouki.com:80',
    'web_server_usage_reports',
    'plinky' => 'banjo123'
  );

我们的 unicode.org 的例子可以写成

  $browser->credentials(  # add this to our $browser 's "key ring" 
    'www.unicode.org:80',
    'Unicode-MailList-Archives',
    'unicode-ml' => 'unicode'
  );

连接 HTTPs URLs

只要有安装 LWP 的HTTPs 的支持, 访问 HTTPs URLs 的方法和 HTTP 一样

  use LWP 5.64;
  my $url = 'https://www.paypal.com/';   # Yes, HTTPS!
  my $browser = LWP::UserAgent->new;
  my $response = $browser->get($url);
  die "Error at $url/n ", $response->status_line, "/n Aborting" 
   unless $response->is_success;

  print "Whee, it worked!  I got that ",
   $response->content_type, " document!/n";

如果没有 HTTPs 的支持, 如下错误信息会显示

   Error at https://www.paypal.com/
   501 Protocol scheme 'https' is not supported
   Aborting at paypal.pl line 7.   [or whatever program and line]

如果你安装了 LWP 的 HTTPS 支持的话，你的请求应该是成功的，你可以像对待普通的 HTTP 请求一样处理 $response 对象。

关于安装 HTTPS 支持的信息可以在libwww-perl 里的README.SSL 文件找到.

获取大文件

请求较大的文件时, 普通的请求方法 ( 例如 $response = $browser->get($url) ) 会给你带来内存问题. 因为 $response 储存着整个文件. 如果请求了一个 30MB 的文件, 那可能不是什么明智的做法.

一个解决方法是把文件存到硬盘

   $response = $ua->get($url,
                         ':content_file' => $filespec,
                      );

比如：

  $response = $ua->get('http://search.cpan.org/',
                         ':content_file' => '/tmp/sco.html'
                      );

当使用 content_file 时, headers 还是在$response, 但$response->content 是空.

值得注意的是LWP 5.66 之前的版本不支持content_file . 你应该使用 use LWP 5.66; 如果你的程序可能运行在低版本的 LWP 上, 你也可以使用下面的例子来保证兼容性, 这与 content_file 有同样效果.

  use HTTP::Request::Common;
  $response = $ua->request( GET($url), $filespec );

资源

以上只是对 LWP 常用函数的简介, 如果想了解更多关于 LWP 和 LWP 相关的东西, 请参阅以下文档

LWP::Simple: 提供简易的 get, head, mirror 方法.
LWP: libwww-perl 模块的综述
HTTP::Response: 发出 LWP 请求后所得到的响应 , $response = $browser->get(...).
HTTP::Message and HTTP::Headers: HTTP::Response 很多方法都是来自两者.
URI: Class 处理完全和相对网址路径.
URI::Escape: 来正确处理和转换 URL 里的不规则字符 (比如 “this & that” 和 “this%20%26%20that” 之间的转换).
HTML::Entities: 来正确处理和转换 HTML 里的不规则字符 (比如 “C. & E. Bront??” 和 “C. & E. Bront??” 之间的转换).
HTML::TokeParser and HTML::TreeBuilder: Classes 分析 HTML
HTML::LinkExtor: Class :在 HTML 找到链接
当然还有我的 Perl & LWP.

与 Sean Burke 讨论后的一些笔记

在翻译这篇文章的时候,我联系到了文章作者, Sean Burke. 他同意把原文章里需要补充和更新的地方指出. 我与作者也通过 MSN 交流了一下. 这里我把自己对 LWP 的理解和作者的补充写在这里.

在文章里提到了使用
```
     use LWP::ConnCache;

     $browser->conn_cache(LWP::ConnCache->new()):  
	
```
这告诉 browser object 使用 HTTP/1.1 “keep-Alive” 特性, 即重复使用先前的 socket 来加快请求速度.
你也可以在 new LWP::UserAgent 时为 $browser 加上 “keep-Alive” 特性, 如下
```
      use LWP;
      $browser = new LWP::UserAgent(keep_alive => 1);
	
```

不要忘记 response object 的 header 通常有很多非常值得注意的信息, 你可以通过 headers_as_string 和 as_string 函数来得到. 下面是使用 headers_as_string 返回的例子

     use LWP;
     my $br = LWP::UserAgent->new;
     my $resp = $br ->get('http://www.pulse24.com'); 
     print $resp->headers_as_string";

输出结果:

     Cache-Control: private, max-age=0
     Connection: close
     Date: Sun, 16 Jan 2005 04:18:26 GMT
     Server: Microsoft-IIS/6.0
     Content-Length: 432
     Content-Type: text/html
     Content-Type: text/html; charset=iso8859-1
     Client-Date: Sun, 16 Jan 2005 04:18:09 GMT
     Client-Peer: 207.61.136.40:80
     Client-Response-Num: 1
     REFRESH: 0;URL=http://www.pulse24.com/Front_Page/page.asp
     X-Meta-Robots: noindex
     X-Powered-By: ASP.NET

你也可以通过 $response->header(‘field’) 来获得想要的特别 header. 象上面的例子, 如果要访问的网页使用了 meta refresh :

	<META HTTP-EQUIV="REFRESH" CONTENT="0;URL=http://www.pulse24.com/Front_Page/page.asp">

你可以使用 $response->header(‘refresh’) 来拿到 refresh 的 url 地址, 选择是否继续跟进.

有些时候, 浏览器可以正常访问到的地址, LWP 却不行. 一般是因为你的 LWP 的 header, referer , cookie 或 user-agent 等的设定与对方网络服务器允许连入的不同. 为了找到问题所在, 你需要比较浏览器发出的请求和你的 LWP 发出的请求有何不同, 然后修改再尝试. 很多时候这是反反复复的工作. 我最早使用 Ethereal 来监视,抓取数据, 目前使用 Firefox 的 LiveHTTPHeaders 插件. 现在LWP 也自带一个数据分析模块 LWP::DebugFile 来帮助你找到问题.
另外, 文章里提到了 HTTP::Cookies::Netscape , 现在LWP Cookies 模块支持更多浏览器 Mozilla , Safari , Omniweb
很多时候表格与 javascript 一起使用, LWP 没有分析 Javascript 的引擎，所以你必须分析网页源码里 Javascript 来决定怎样处理.
```
function Submit()
{
                ......... 
self.document.location.href="verify.php";

return false;
}

........

<form>
......
```

<input type=button value="Submit your page" onClick="javascript:Submit();return false;//">

上面的这个例子通过表格提交来触动 javascript 的 submit 函数, 最后调用了 verify.php. 现在你就可以跳过所有的 javascript 而直接对 verify.php 来提交.

<input type=button value="Submit your page" onClick="javascript:Submit();return false;//">

上面的这个例子通过表格提交来触动 javascript 的 submit 函数, 最后调用了 verify.php. 现在你就可以跳过所有的 javascript 而直接对 verify.php 来提交.

******************************************************************

转自http://www.diybl.com/course/4_webprogram/cgi/perljs/200862/120413_3.html