Python 標準庫 urllib2 的使用細節

發表於2015-12-17

Python 標準庫中有很多實用的工具類,但是在具體使用時,標準庫文件上對使用細節描述的並不清楚,比如 urllib2 這個 HTTP 客戶端庫。這裡總結了一些 urllib2 的使用細節。

Proxy 的設定

urllib2 預設會使用環境變數 http_proxy 來設定 HTTP Proxy。如果想在程式中明確控制 Proxy 而不受環境變數的影響,可以使用下面的方式

 

這裡要注意的一個細節,使用 urllib2.install_opener() 會設定 urllib2 的全域性 opener 。這樣後面的使用會很方便,但不能做更細粒度的控制,比如想在程式中使用兩個不同的 Proxy 設定等。比較好的做法是不使用 install_opener 去更改全域性的設定,而只是直接呼叫 opener 的 open 方法代替全域性的 urlopen 方法。

Timeout 設定

在老版 Python 中,urllib2 的 API 並沒有暴露 Timeout 的設定,要設定 Timeout 值,只能更改 Socket 的全域性 Timeout 值。

在 Python 2.6 以後,超時可以通過 urllib2.urlopen() 的 timeout 引數直接設定。

在 HTTP Request 中加入特定的 Header

要加入 header,需要使用 Request 物件:

對有些 header 要特別留意,伺服器會針對這些 header 做檢查

User-Agent : 有些伺服器或 Proxy 會通過該值來判斷是否是瀏覽器發出的請求

Content-Type : 在使用 REST 介面時,伺服器會檢查該值,用來確定 HTTP Body 中的內容該怎樣解析。常見的取值有:

  • application/xml : 在 XML RPC,如 RESTful/SOAP 呼叫時使用
  • application/json : 在 JSON RPC 呼叫時使用
  • application/x-www-form-urlencoded : 瀏覽器提交 Web 表單時使用

在使用伺服器提供的 RESTful 或 SOAP 服務時, Content-Type 設定錯誤會導致伺服器拒絕服務

Redirect

urllib2 預設情況下會針對 HTTP 3XX 返回碼自動進行 redirect 動作,無需人工配置。要檢測是否發生了 redirect 動作,只要檢查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

如果不想自動 redirect,除了使用更低層次的 httplib 庫之外,還可以自定義 HTTPRedirectHandler 類。

 

Cookie

urllib2 對 Cookie 的處理也是自動的。如果需要得到某個 Cookie 項的值,可以這麼做:

 

使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支援 HTTP 的 GET 和 POST 方法,如果要使用 HTTP PUT 和 DELETE ,只能使用比較低層的 httplib 庫。雖然如此,我們還是能通過下面的方式,使 urllib2 能夠發出 PUT 或 DELETE 的請求:

得到 HTTP 的返回碼

對於 200 OK 來說,只要使用 urlopen 返回的 response 物件的 getcode() 方法就可以得到 HTTP 的返回碼。但對其它返回碼來說,urlopen 會丟擲異常。這時候,就要檢查異常物件的 code 屬性了:

Debug Log
使用 urllib2 時,可以通過下面的方法把 debug Log 開啟,這樣收發包的內容就會在螢幕上列印出來,方便除錯,有時可以省去抓包的工作

PS: 藉助urllib2抓取網站生成RSS
看了看OsChina的部落格頁面,發現可以使用python來抓取.記得前段時間看到有人使用python的RSS模組PyRSS2Gen生成了RSS.於是忍不住手癢自己試著實現了下,幸好還是成功了,下面程式碼共享給大家.
首先需要安裝PyRSS2Gen模組和BeautifulSoup模組,pip安裝下就好了,我就不再贅述了.
下面貼出程式碼

可以看到,主要是使用BeautifulSoup來抓取站點然後使用PyRSS2Gen來生成RSS並儲存為xml格式檔案.
順便共享下我生成的RSS地址

大家如果不想折騰的話直接使用feedly訂閱就行了.
指令碼我會每10分鐘執行一次的.

相關文章