Python常用标准库 --- urllib与urllib2

来源：互联网发布：数据挖掘工作编辑：程序博客网时间：2024/06/03 14:57

转自：http://lizhenliang.blog.51cto.com/7876557/1872538

打开URL。urllib2是urllib的增强版，新增了一些功能，比如Request()用来修改Header信息。但是urllib2还去掉了一些好用的方法，比如urlencode()编码序列中的两个元素（元组或字典）为URL查询字符串。

一般情况下这两个库结合着用，那我们也结合着了解下。

类

描述

urllib.urlopen(url, data=None, proxies=None)读取指定URL，创建类文件对象。data是随着URL提交的数据（POST）urllib/urllib2.quote(s, safe='/')

将字符串中的特殊符号转十六进制表示。如：

quote('abc def') -> 'abc%20def'

urllib/urllib2.unquote(s)与quote相反urllib.urlencode(query, doseq=0)将序列中的两个元素（元组或字典）转换为URL查询字符串urllib.urlretrieve(url, filename=None, reporthook=None, data=None)将返回结果保存到文件，filename是文件名urllib2.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False)

一般访问URL用urllib.urlopen()，如果要修改header信息就会用到这个。

data是随着URL提交的数据，将会把HTTP请求GET改为POST。headers是一个字典，包含提交头的键值对应内容。

urllib2.urlopen(url, data=None, timeout=<object object>)timeout 超时时间，单位秒urllib2.build_opener(*handlers)构造openerurllib2.install_opener(opener)把新构造的opener安装到默认的opener中，以后urlopen()会自动调用urllib2.HTTPCookieProcessor(cookiejar=None)Cookie处理器urllib2.HTTPBasicAuthHandler认证处理器urllib2.ProxyHandler代理处理器

urllib.urlopen()有几个常用的方法：

方法描述getcode()获取HTTP状态码geturl()返回真实URL。有可能URL3xx跳转，那么这个将获得跳转后的URLinfo()返回服务器返回的header信息。可以通过它的方法获取相关值next()获取下一行，没有数据抛出异常read(size=-1)默认读取所有内容。size正整数指定读取多少字节readline(size=-1)默认读取下一行。size正整数指定读取多少字节readlines(sizehint=0)默认读取所有内容，以列表形式返回。sizehint正整数指定读取多少字节

示例：

1）请求URL

>>> import urllib, urllib2>>> response = urllib.urlopen("http://www.baidu.com")   # 获取的网站页面源码>>> response.readline()'<!DOCTYPE html>\n'>>> response.getcode()200>>> response.geturl()'http://www.baidu.com'

2）伪装chrome浏览器访问

>>> user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36">>> header = {"User-Agent": user_agent}>>> request = urllib2.Request("http://www.baidu.com", headers=header) # 也可以通过request.add_header('User-Agent', 'Mozilla...')方式添加    >>> response = urllib2.urlopen(request)>>> response.geturl()'https://www.baidu.com/'>>> print respose.info()  # 查看服务器返回的header信息Server: bfe/1.0.8.18Date: Sat, 12 Nov 2016 06:34:54 GMTContent-Type: text/html; charset=utf-8Transfer-Encoding: chunkedConnection: closeVary: Accept-EncodingSet-Cookie: BAIDUID=5979A74F742651531360C08F3BE06754:FG=1; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.comSet-Cookie: BIDUPSID=5979A74F742651531360C08F3BE06754; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.comSet-Cookie: PSTM=1478932494; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.comSet-Cookie: BDSVRTM=0; path=/Set-Cookie: BD_HOME=0; path=/Set-Cookie: H_PS_PSSID=1426_18240_17945_21118_17001_21454_21408_21394_21377_21525_21192; path=/; domain=.baidu.comP3P: CP=" OTI DSP COR IVA OUR IND COM "Cache-Control: privateCxy_all: baidu+a24af77d41154f5fc0d314a73fd4c48fExpires: Sat, 12 Nov 2016 06:34:17 GMTX-Powered-By: HPHPX-UA-Compatible: IE=Edge,chrome=1Strict-Transport-Security: max-age=604800BDPAGETYPE: 1BDQID: 0xf51e0c970000d938BDUSERID: 0Set-Cookie: __bsi=12824513216883597638_00_24_N_N_3_0303_C02F_N_N_N_0; expires=Sat, 12-Nov-16 06:34:59 GMT; domain=www.baidu.com; path=/

这里header只加了一个User-Agent，防止服务器当做爬虫屏蔽了，有时为了对付防盗链也会加Referer，说明是本站过来的请求。还有跟踪用户的cookie。

3）提交用户表单

>>> post_data = {"loginform-username":"test","loginform-password":"123456"}>>> response = urllib2.urlopen("http://home.51cto.com/index", data=(urllib.urlencode(post_data)))>>> response.read() # 登录后网页内容

提交用户名和密码表单登录到51cto网站，键是表单元素的id。其中用到了urlencode()方法，上面讲过是用于转为字典格式为URL接受的编码格式。

例如：

>>> urllib.urlencode(post_data)'loginform-password=123456&loginform-username=test'

4）保存cookie到变量中

#!/usr/bin/python# -*- coding: utf-8 -*-import urllib, urllib2import cookielib# 实例化CookieJar对象来保存cookiecookie = cookielib.CookieJar()# 创建cookie处理器handler = urllib2.HTTPCookieProcessor(cookie)# 通过handler构造openeropener = urllib2.build_opener(handler)response = opener.open("http://www.baidu.com")for item in cookie:    print item.name, item.value     # python test.pyBAIDUID EB4BF619C95630EFD619B99C596744B0:FG=1BIDUPSID EB4BF619C95630EFD619B99C596744B0H_PS_PSSID 1437_20795_21099_21455_21408_21395_21377_21526_21190_21306PSTM 1478936429BDSVRTM 0BD_HOME 0

urlopen()本身就是一个opener，无法满足对Cookie处理，所有就要新构造一个opener。

这里用到了cookielib库，cookielib库是一个可存储cookie的对象。CookieJar类来捕获cookie。

cookie存储在客户端，用来跟踪浏览器用户身份的会话技术。

5）保存cookie到文件

#!/usr/bin/python# -*- coding: utf-8 -*-import urllib, urllib2import cookielibcookie_file = 'cookie.txt'# 保存cookie到文件cookie = cookielib.MozillaCookieJar(cookie_file)# 创建cookie处理器handler = urllib2.HTTPCookieProcessor(cookie)# 通过handler构造openeropener = urllib2.build_opener(handler)response = opener.open("http://www.baidu.com")# 保存cookie.save(ignore_discard=True, ignore_expires=True)  # ignore_discard默认是false，不保存将被丢失的。ignore_expires默认flase，如果cookie存在，则不写入。 # python test.py# cat cookie.txt # Netscape HTTP Cookie File# http://curl.haxx.se/rfc/cookie_spec.html# This is a generated file!  Do not edit..baidu.com    TRUE    /    FALSE    3626420835    BAIDUID    687544519EA906BD0DE5AE02FB25A5B3:FG=1.baidu.com    TRUE    /    FALSE    3626420835    BIDUPSID    687544519EA906BD0DE5AE02FB25A5B3.baidu.com    TRUE    /    FALSE        H_PS_PSSID    1420_21450_21097_18560_21455_21408_21395_21377_21526_21192_20927.baidu.com    TRUE    /    FALSE    3626420835    PSTM    1478937189www.baidu.com    FALSE    /    FALSE        BDSVRTM    0www.baidu.com    FALSE    /    FALSE        BD_HOME    0

MozillaCookieJar()这个类用来保存cookie到文件。

6）使用cookie访问URL

#!/usr/bin/python# -*- coding: utf-8 -*-import urllib2import cookielib# 实例化对象cookie = cookielib.MozillaCookieJar()# 从文件中读取cookiecookie.load("cookie.txt", ignore_discard=True, ignore_expires=True)# 创建cookie处理器handler = urllib2.HTTPCookieProcessor(cookie)# 通过handler构造openeropener = urllib2.build_opener(handler)# request = urllib2.Request("http://www.baidu.com")response = opener.open("http://www.baidu.com")

7）使用代理服务器访问URL

import urllib2proxy_address = {"http": "http://218.17.252.34:3128"}handler = urllib2.ProxyHandler(proxy_address)opener = urllib2.build_opener(handler)response = opener.open("http://www.baidu.com")print response.read()

8）URL访问认证

import urllib2auth = urllib2.HTTPBasicAuthHandler()# (realm, uri, user, passwd)auth.add_password(None, 'http://www.example.com','user','123456')opener = urllib2.build_opener(auth)response = opener.open('http://www.example.com/test.html')

0 0