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
1 2 3 4 5 6 7 8 9 10 11 12 |
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) |
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。
1 2 3 4 5 |
import urllib2 import socket socket.setdefaulttimeout(10) # 10 秒鐘後超時 urllib2.socket.setdefaulttimeout(10) # 另一種方式 |
在 Python 2.6 以後,超時可以通過 urllib2.urlopen() 的 timeout 引數直接設定。
1 2 |
import urllib2 response = urllib2.urlopen('http://www.google.com', timeout=10) |
在 HTTP Request 中加入特定的 Header
要加入 header,需要使用 Request 物件:
1 2 3 4 |
import urllib2 request = urllib2.Request(uri) request.add_header('User-Agent', 'fake-client') response = urllib2.urlopen(request) |
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。
1 2 3 |
import urllib2 response = urllib2.urlopen('http://www.google.cn') redirected = response.geturl() == 'http://www.google.cn' |
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。
1 2 3 4 5 6 7 8 9 10 |
import urllib2 class RedirectHandler(urllib2.HTTPRedirectHandler): def http_error_301(self, req, fp, code, msg, headers): pass def http_error_302(self, req, fp, code, msg, headers): pass opener = urllib2.build_opener(RedirectHandler) opener.open('http://www.google.cn') |
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:
1 2 3 4 5 6 7 8 9 |
import urllib2 import cookielib cookie = cookielib.CookieJar() opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie)) response = opener.open('http://www.google.com') for item in cookie: if item.name == 'some_cookie_item_name': print item.value |
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:
1 2 3 4 5 |
import urllib2 request = urllib2.Request(uri, data=data) request.get_method = lambda: 'PUT' # or 'DELETE' response = urllib2.urlopen(request) |
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:
1 2 3 4 5 |
import urllib2 try: response = urllib2.urlopen('http://restrict.web.com') except urllib2.HTTPError, e: print e.code |
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
1 2 3 4 5 6 7 8 |
import urllib2 httpHandler = urllib2.HTTPHandler(debuglevel=1) httpsHandler = urllib2.HTTPSHandler(debuglevel=1) opener = urllib2.build_opener(httpHandler, httpsHandler) urllib2.install_opener(opener) response = urllib2.urlopen('http://www.google.com') |
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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 |
# -*- coding: utf-8 -*- from bs4 import BeautifulSoup import urllib2 import datetime import time import PyRSS2Gen from email.Utils import formatdate import re import sys import os reload(sys) sys.setdefaultencoding('utf-8') class RssSpider(): def __init__(self): self.myrss = PyRSS2Gen.RSS2(title='OSChina', link='http://my.oschina.net', description=str(datetime.date.today()), pubDate=datetime.datetime.now(), lastBuildDate = datetime.datetime.now(), items=[] ) self.xmlpath=r'/var/www/myrss/oschina.xml' self.baseurl="http://www.oschina.net/blog" #if os.path.isfile(self.xmlpath): #os.remove(self.xmlpath) def useragent(self,url): i_headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) \ AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36", \ "Referer": 'http://baidu.com/'} req = urllib2.Request(url, headers=i_headers) html = urllib2.urlopen(req).read() return html def enterpage(self,url): pattern = re.compile(r'\d{4}\S\d{2}\S\d{2}\s\d{2}\S\d{2}') rsp=self.useragent(url) soup=BeautifulSoup(rsp) timespan=soup.find('div',{'class':'BlogStat'}) timespan=str(timespan).strip().replace('\n','').decode('utf-8') match=re.search(r'\d{4}\S\d{2}\S\d{2}\s\d{2}\S\d{2}',timespan) timestr=str(datetime.date.today()) if match: timestr=match.group() #print timestr ititle=soup.title.string div=soup.find('div',{'class':'BlogContent'}) rss=PyRSS2Gen.RSSItem( title=ititle, link=url, description = str(div), pubDate = timestr ) return rss def getcontent(self): rsp=self.useragent(self.baseurl) soup=BeautifulSoup(rsp) ul=soup.find('div',{'id':'RecentBlogs'}) for li in ul.findAll('li'): div=li.find('div') if div is not None: alink=div.find('a') if alink is not None: link=alink.get('href') print link html=self.enterpage(link) self.myrss.items.append(html) def SaveRssFile(self,filename): finallxml=self.myrss.to_xml(encoding='utf-8') file=open(self.xmlpath,'w') file.writelines(finallxml) file.close() if __name__=='__main__': rssSpider=RssSpider() rssSpider.getcontent() rssSpider.SaveRssFile('oschina.xml') |
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
1 |
http://104.224.129.109/myrss/oschina.xml |
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.