Python - urllib2 模块

　　转载自：http://zhuoqiang.me/python-urllib2-usage.html

　　Python 标准库中有不少实用的工具类，可是在具体使用时，标准库文档上对使用细节描述的并不清楚，好比 urllib2 这个 HTTP 客户端库。这里总结了一些 urllib2 的使用细节。

• Proxy 的设置
• Timeout 设置
• 在 HTTP Request 中加入特定的 Header
• Redirect
• Cookie
• 使用 HTTP 的 PUT 和 DELETE 方法
• 获得 HTTP 的返回码
• Debug Log

Proxy 的设置

　　urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。若是想在程序中明确控制 Proxy 而不受环境变量的影响，可使用下面的方式

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)

　　这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能作更细粒度的控制，好比想在程序中使用两个不一样的 Proxy 设置等。比较好的作法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 设置

　　在老版 Python 中，urllib2 的 API 并无暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

import urllib2
import socket

socket.setdefaulttimeout(10) # 10 秒钟后超时
urllib2.socket.setdefaulttimeout(10) # 另外一种方式

　　在 Python 2.6 之后，超时能够经过 urllib2.urlopen() 的 timeout 参数直接设置。

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，须要使用 Request 对象：

import urllib2

request = urllib2.Request(uri)
request.add_header('User-Agent', 'fake-client')
response = urllib2.urlopen(request)

　　对有些 header 要特别留意，服务器会针对这些 header 作检查

• User-Agent : 有些服务器或 Proxy 会经过该值来判断是不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，用来肯定 HTTP Body 中的内容该怎样解析。常见的取值有：

  • 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 设置错误会致使服务器拒绝服务

Redirect

　　urllib2 默认状况下会针对 HTTP 3XX 返回码自动进行 redirect 动做，无需人工配置。要检测是否发生了 redirect 动做，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就能够了。

import urllib2
response = urllib2.urlopen('http://www.google.cn')
redirected = response.geturl() == 'http://www.google.cn'

　　若是不想自动 redirect，除了使用更低层次的 httplib 库以外，还能够自定义 HTTPRedirectHandler 类。

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 对 Cookie 的处理也是自动的。若是须要获得某个 Cookie 项的值，能够这么作：

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 只支持 HTTP 的 GET 和 POST 方法，若是要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，咱们仍是能经过下面的方式，使 urllib2 可以发出 PUT 或 DELETE 的请求：

import urllib2

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

　　这种作法虽然属于 Hack 的方式，但实际使用起来也没什么问题。

获得 HTTP 的返回码

　　对于 200 OK 来讲，只要使用 urlopen 返回的 response 对象的 getcode() 方法就能够获得 HTTP 的返回码。但对其它返回码来讲，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

import urllib2
try:
    response = urllib2.urlopen('http://restrict.web.com')
except urllib2.HTTPError, e:
    print e.code

Debug Log

　　使用 urllib2 时，能够经过下面的方法把 debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时能够省去抓包的工做

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')