Python使用urllib2獲取網絡資源實例講解

      urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。他以urlopen函數的形式提供了一個非常簡單的接口，下面我們用實例講解他的使用方法

這是具有利用不同協議獲取URLs的能力，他同樣提供了一個比較復雜的接口來處理一般情況，例如：基礎驗證，cookies,代理和其他。
它們通過handlers和openers的對象提供。
urllib2支持獲取不同格式的URLs(在URL的":"前定義的字串,例如："ftp"是"ftp:python.ort/"的前綴),它們利用它們相關網絡協議(例如FTP,HTTP)
進行獲取。這篇教程關注最廣泛的應用--HTTP。
對於簡單的應用，urlopen是非常容易使用的。但當你在打開HTTP的URLs時遇到錯誤或異常，你將需要一些超文本傳輸協議(HTTP)的理解。
最權威的HTTP文檔當然是RFC 2616(http://rfc.net/rfc2616.html)。這是一個技術文檔，所以並不易於閱讀。這篇HOWTO教程的目的是展現如何使用urllib2,
並提供足夠的HTTP細節來幫助你理解。他並不是urllib2的文檔說明，而是起一個輔助作用。
獲取 URLs

最簡單的使用urllib2將如下所示

復制代碼 代碼如下:
import urllib2
response = urllib2.urlopen('http://python.org/')
html = response.read()

urllib2的很多應用就是那麼簡單(記住，除了"http:",URL同樣可以使用"ftp:","file:"等等來替代)。但這篇文章是教授HTTP的更復雜的應用。
HTTP是基於請求和應答機制的--客戶端提出請求，服務端提供應答。urllib2用一個Request對象來映射你提出的HTTP請求,在它最簡單的使用形式中你將用你要請求的
地址創建一個Request對象，通過調用urlopen並傳入Request對象，將返回一個相關請求response對象，這個應答對象如同一個文件對象，所以你可以在Response中調用.read()。

復制代碼 代碼如下:
import urllib2
req = urllib2.Request('http://www.jb51.net')
response = urllib2.urlopen(req)
the_page = response.read()

記得urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創建一個ftp請求。

復制代碼 代碼如下:
req = urllib2.Request('ftp://example.com/')

在HTTP請求時，允許你做額外的兩件事。首先是你能夠發送data表單數據，其次你能夠傳送額外的關於數據或發送本身的信息("metadata")到服務器，此數據作為HTTP的"headers"來發送。
接下來讓我們看看這些如何發送的吧。
Data數據
有時候你希望發送一些數據到URL(通常URL與CGI[通用網關接口]腳本，或其他WEB應用程序掛接)。在HTTP中,這個經常使用熟知的POST請求發送。這個通常在你提交一個HTML表單時由你的浏覽器來做。
並不是所有的POSTs都來源於表單，你能夠使用POST提交任意的數據到你自己的程序。一般的HTML表單，data需要編碼成標准形式。然後做為data參數傳到Request對象。編碼工作使用urllib的函數而非
urllib2。

 代碼如下:
import urllib
import urllib2

url = 'http://www.jb51.net'
values = {'name' : 'Michael Foord',
          'location' : 'Northampton',
          'language' : 'Python' }

data = urllib.urlencode(values)
req = urllib2.Request(url, data)
response = urllib2.urlopen(req)
the_page = response.read()

記住有時需要別的編碼(例如從HTML上傳文件--看http://www.w3.org/TR/REC-html40/interact/forms.html#h-17.13 HTML Specification, Form Submission的詳細說明)。
如ugoni沒有傳送data參數，urllib2使用GET方式的請求。GET和POST請求的不同之處是POST請求通常有"副作用"，它們會由於某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。
盡管HTTP標准說的很清楚POSTs通常會產生副作用，GET請求不會產生副作用，但沒有什麼可以阻止GET請求產生副作用，同樣POST請求也可能不產生副作用。Data同樣可以通過在Get請求
的URL本身上面編碼來傳送。
可看如下例子

 代碼如下:
 >>> import urllib2
 >>> import urllib
 >>> data = {}
 >>> data['name'] = 'Somebody Here'
 >>> data['location'] = 'Northampton'
 >>> data['language'] = 'Python'
 >>> url_values = urllib.urlencode(data)
 >>> print url_values
 name=Somebody+Here&language=Python&location=Northampton
 >>> url = 'http://www.jb51.net'
 >>> full_url = url + '?' + url_values
 >>> data = urllib2.open(full_url)

Headers
我們將在這裡討論特定的HTTP頭，來說明怎樣添加headers到你的HTTP請求。
有一些站點不喜歡被程序（非人為訪問）訪問，或者發送不同版本的內容到不同的浏覽器。默認的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主版本和次版本號,例如Python-urllib/2.5)，
這個身份可能會讓站點迷惑，或者干脆不工作。浏覽器確認自己身份是通過User-Agent頭，當你創建了一個請求對象，你可以給他一個包含頭數據的字典。下面的例子發送跟上面一樣的內容，但把自身
模擬成Internet Explorer。

復制代碼 代碼如下:
import urllib
import urllib2

url = 'http://www.jb51.net'
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()

response應答對象同樣有兩個很有用的方法。看下面的節info and geturl，我們將看到當發生錯誤時會發生什麼。
Handle Exceptions處理異常
當urlopen不能夠處理一個response時，產生urlError（不過通常的Python APIs異常如ValueError,TypeError等也會同時產生）。
HTTPError是urlError的子類，通常在特定HTTP URLs中產生。
URLError
通常，URLError在沒有網絡連接(沒有路由到特定服務器),或者服務器不存在的情況下產生。這種情況下，異常同樣會帶有"reason"屬性，它是一個tuple，包含了一個錯誤號和一個錯誤信息。
例如

復制代碼 代碼如下:
>>> req = urllib2.Request('http://www.jb51.net')
>>> try: urllib2.urlopen(req)
>>> except URLError, e:
>>>    print e.reason
>>>
(4, 'getaddrinfo failed')

HTTPError
服務器上每一個HTTP 應答對象response包含一個數字"狀態碼"。有時狀態碼指出服務器無法完成請求。默認的處理器會為你處理一部分這種應答(例如:假如response是一個"重定向"，需要客戶端從別的地址獲取文檔
，urllib2將為你處理)。其他不能處理的，urlopen會產生一個HTTPError。典型的錯誤包含"404"(頁面無法找到)，"403"(請求禁止)，和"401"(帶驗證請求)。
請看RFC 2616 第十節有所有的HTTP錯誤碼
HTTPError實例產生後會有一個整型'code'屬性，是服務器發送的相關錯誤號。
Error Codes錯誤碼
因為默認的處理器處理了重定向(300以外號碼)，並且100-299范圍的號碼指示成功，所以你只能看到400-599的錯誤號碼。
BaseHTTPServer.BaseHTTPRequestHandler.response是一個很有用的應答號碼字典，顯示了RFC 2616使用的所有的應答號。這裡為了方便重新展示該字典。（譯者略）
當一個錯誤號產生後，服務器返回一個HTTP錯誤號，和一個錯誤頁面。你可以使用HTTPError實例作為頁面返回的應答對象response。這表示和錯誤屬性一樣，它同樣包含了read,geturl,和info方法。

復制代碼 代碼如下:
>>> req = urllib2.Request('http://www.python.org/fish.html')
>>> try:
>>>     urllib2.urlopen(req)
>>> except URLError, e:
>>>     print e.code
>>>     print e.read()
>>>

復制代碼 代碼如下:
404
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
  "http://www.w3.org/TR/html4/loose.dtd">
<?xml-stylesheet hr