urllib2模块

Dear 丶 2021-09-13 21:52 361阅读 0赞

urllib2是另外一个模块，它跟urllib有相似的地方——都是对 url 相关的操作，也有不同的地方。有时候两个要同时使用，urllib模块和urllib2模块有的方法可以相互替代，有的不能。

**urllib2模块与urllib模块的urlopen()用法，此处不再赘述。**

--------------------

## Request类 ##

利用urllib模块可以建立一个Request对象，建立对象的方法就是使用Request类，建立Request对象后，直接可以作为 urlopen() 方法的参数。这是以get方式请求页面

例：

import urllib2
    req = urllib2.Request("http://www.itdiffer.com")
    response = urllib2.urlopen(req)
    page = response.read()
    print page

建立Request对象，可以通过 post 向某地址提交数据。

例：

import urllib
    import urllib2
    
    url = 'http://www.itdiffer.com/register.py'
    
    values = {
       'name':'xiaoxu',
            'location':'China',
            'language':'python'
            }
    
    data = urllib.urlencode(values)
    req = urllib2.Request(url,data) #发送请求，同时传 data 表单
    response = urllib2.urlopen(req) #接受反馈的信息
    the_page = response.read()      #读取反馈的内容

如果读者照抄上面的程序，然后运行代码，肯定是报错的。因为那个 url 中没有相应的客户端 post 上去的 data 的程序文件，为了让程序运行，读者可以开发接收数据的程序。

--------------------

## 验证身份 ##

在网站中，有的会通过 User-Agent 来判断访问者是浏览器还是别的程序，若通过别的程序访问，它有可能被拒绝。这时候，我们编写程序去访问，就要设置 headers了。

其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。

import urllib  
    import urllib2  
    
    url = 'http://www.server.com/login'
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
    values = {
       'username' : 'cqc',  'password' : 'XXXX' }  
    headers = { 'User-Agent' : user_agent }  
    data = urllib.urlencode(values)  
    request = urllib2.Request(url, data, headers)  
    response = urllib2.urlopen(request)  
    page = response.read()

这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。

--------------------

## 对付”反盗链”的方式 ##

对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer

例如我们可以构建下面的headers

headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5;Windows NT)'  ,
                            'Referer':'http://www.zhihu.com/articles' }

同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。

**另外headers的一些属性，下面的需要特别注意一下：**

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。
    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
    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

--------------------

## Proxy（代理）的设置 ##

urllib2 默认会使用环境变量 http\_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！

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)

--------------------

## Timeout 设置 ##

在 urllib 模块中已经说过urlopen方法了，第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。

例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。

import urllib2
    response = urllib2.urlopen('http://www.baidu.com', timeout=10)

--------------------

## 使用 HTTP 的 PUT 和 DELETE 方法 ##

http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。

*  PUT：这个方法比较少见。HTML 表单也不支持这个。本质上来讲， PUT 和 POST 极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT 通常指定了资源的存放位置，而 POST 则没有，POST 的数据存放位置由服务器自己决定。
 *  DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如 amazon 的 S3 云服务里面就用的这个方法来删除资源。

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，不过用的次数的确是少，在这里提一下。

import urllib2
    request = urllib2.Request(uri, data=data)
    request.get_method = lambda: 'PUT' # or 'DELETE'
    response = urllib2.urlopen(request)

除了上面的演示之外，urllib2模块的东西还有很多， 比如还可以：

*  处理cookie
 *  自动redirect

这些内容不再一一介绍，当需要用到的时候可以查看文档或者网上搜索。