【Python爬虫实战--1】深入理解urllib;urllib2;requests

摘自：http://1oscar.github.io/blog/2015/07/05/%E6%B7%B1%E5%85%A5%E7%90%86%E8%A7%A3urllib;urllib2;requests.html

urllib and urllib2 区别

urllib和urllib2模块都做与请求URL相关的操作，但他们提供不同的功能。
urllib2.urlopen accepts an instance of the Request class or a url, （whereas urllib.urlopen only accepts a url 中文意思就是：urllib2.urlopen可以接受一个Request对象或者url，（在接受Request对象时候，并以此可以来设置一个URL 的headers），urllib.urlopen只接收一个url
urllib 有urlencode,urllib2没有，这也是为什么总是urllib，urllib2常会一起使用的原因

     r = Request(url='http://www.mysite.com')

     r.add_header('User-Agent', 'awesome fetcher')

     r.add_data(urllib.urlencode({'foo': 'bar'})

     response = urllib2.urlopen(r)     #post method

urllib 模块

I. urlencode不能直接处理unicode对象，所以如果是unicode，需要先编码，有unicode转到utf8，举例：

 urllib.urlencode (u'bl'.encode('utf-8'))

II. 示例

 import urllib       #sohu 手机主页

 url = 'http://m.sohu.com/?v=3&_once_=000025_v2tov3&_smuid=\

       ICvXXapq5EfTpQTVq6Tpz'

 resp = urllib.urlopen(url)

 page = resp.read()

 f = open('./urllib_index.html', 'w')

 f.write(page)

 print dir(resp)

结果:

['doc', 'init', 'iter', 'module', 'repr', 'close', 'code', 'fileno', 'fp', 'getcode', 'geturl', 'headers', 'info', 'next', 'read', 'readline', 'readlines', 'url']

 print resp.getcode(), resp.geturl(), resp.info(), resp.headers, resp.url

 #resp.url和resp.geturl()结果一样

III. 编解码示例 urllib.quote和urllib.urlencode都是编码，但用法不一样

 48     s = urllib.quote('This is python')  #编码

 49     print 'quote:\t'+s    ＃空格用%20替代

 50     s_un = urllib.unquote(s)    ＃解码

 51     print 'unquote:\t'+s_un

 52     s_plus = urllib.quote_plus('This is python')  ＃编码

 53     print 'quote_plus:\t'+s_plus            ＃空格用＋替代

 54     s_unplus = urllib.unquote_plus(s_plus)       ＃解码

 55     print 's_unplus:\t'+s_unplus

 56     s_dict = {'name': 'dkf', 'pass': ''}

 57     s_encode = urllib.urlencode(s_dict)    ＃编码字典转换成url参数

 58     print 's_encode:\t'+s_encode



 结果：

 quote: This%20is%20python

 unquote:   This is python

 quote_plus:    This+is+python

 s_unplus:  This is python

 s_encode:  name=dkf&pass=1234

IV. urlretrieve() urlretrieve多数适用单纯的只下载的功能或者显示下载的进度等

75     url = 'http://m.sohu.com/?v=3&_once_=000025_v2tov3&_\

              smuid=ICvXXapq5EfTpQTVq6Tpz'

 76     urllib.urlretrieve(url, './retrieve_index.html')

 #直接把url链接网页内容下载到retrieve_index.html里了，适用于单纯的下载的功能。

 #urllib.urlretrieve(url, local_name, method)

urllib2

I. urllib2模块定义的函数和类用来获取URL（主要是HTTP的），他提供一些复杂的接口用于处理：基本认证，重定向，Cookies等。

II. 常用方法和类

II.1 urllib2.urlopen(url[, data][, timeout]) #传url时候，用法同urllib里的urlopen

II.1.1 它打开URL网址，url参数可以是一个字符串url或者是一个Request对象。可选的参数timeout，阻塞操作以秒为单位，如尝试连接（如果没有指定，将使用设置的全局默认timeout值）。实际上这仅适用于HTTP，HTTPS和FTP连接。

85     url = 'http://m.sohu.com/?v=3&_once_=000025_v2tov3&_\

smuid=ICvXXapq5EfTpQTVq6Tpz'

86     resp = urllib2.urlopen(url)

87     page = resp.read()

II.1.2 urlopen方法也可通过建立了一个Request对象来明确指明想要获取的url。调用urlopen函数对请求的url返回一个response对象。这个response类似于一个file对象，所以用.read()函数可以操作这个response对象

 url = 'http://m.sohu.com/?v=3&_once_=000025_v2tov3&_smuid\

    =ICvXXapq5EfTpQTVq6Tpz'

   req = urllib2.Request(url)

   resp = urllib2.urlopen(req)

   page = resp.read()

II.2 class urllib2.Request(url[, data][, headers][, originreqhost][, unverifiable])

II.2.1 Request类是一个抽象的URL请求。5个参数的说明如下:

II.2.1.1 URL——是一个字符串，其中包含一个有效的URL。

II.2.1.2 data——是一个字符串，指定额外的数据发送到服务器，如果没有data需要发送可以为“None”。目前使用data的HTTP请求是唯一的。当请求含有data参数时，HTTP的请求为POST，而不是GET。数据应该是缓存在一个标准的application/x-www-form- urlencoded格式中。urllib.urlencode()函数用映射或2元组，返回一个这种格式的字符串。通俗的说就是如果想向一个URL发送数据（通常这些数据是代表一些CGI脚本或者其他的web应用）。例如在网上填的form（表单）时，浏览器会POST表单的内容，这些数据需要被以标准的格式编码（encode），然后作为一个数据参数传送给Request对象。Encoding是在urlib模块中完成的，而不是在urlib2中完成的。下面是个例子：

import urllib

import urllib2

url = 'http://www.someserver.com/cgi-bin/register.cgi'

values = {'name' : 'Michael Foord',

       'location' : 'Northampton',

       'language' : 'Python' }

data = urllib.urlencode(values)

req = urllib2.Request(url, data)   #send post

response = urllib2.urlopen(req)

page = response.read()

II.2.1.3 headers——是字典类型，头字典可以作为参数在request时直接传入，也可以把每个键和值作为参数调用add_header()方法来添加。作为辨别浏览器身份的User-Agent header是经常被用来恶搞和伪装的，因为一些HTTP服务只允许某些请求来自常见的浏览器而不是脚本，或是针对不同的浏览器返回不同的版本。例如，Mozilla Firefox浏览器被识别为“Mozilla/5.0 (X11; U; Linux i686) Gecko/20071127 Firefox/2.0.0.11”。默认情况下，urlib2把自己识别为Python-urllib/x.y（这里的xy是python发行版的主要或次要的版本号，如在Python 2.6中，urllib2的默认用户代理字符串是“Python-urllib/2.6。下面的例子和上面的区别就是在请求时加了一个headers，模仿IE浏览器提交请求。

import urllib

import urllib2

url = 'http://www.someserver.com/cgi-bin/register.cgi'

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

values = {'name' : 'Michael Foord',

        'location' : 'Northampton',

        'language' : 'Python' }

headers = { 'User-Agent' : user_agent }

data = urllib.urlencode(values)

req = urllib2.Request(url, data, headers)

response = urllib2.urlopen(req)

the_page = response.read()

标准的headers组成是(Content-Length, Content-Type and Host)，只有在Request对象调用urlopen()（上面的例子也属于这个情况）或者OpenerDirector.open()时加入。两种情况的例子如下：使用headers参数构造Request对象，如上例在生成Request对象时已经初始化header，而下例是Request对象调用add_header(key, val)方法附加header（Request对象的方法下面再介绍）：

import urllib2

req = urllib2.Request('http://www.example.com/')

req.add_header('Referer', 'http://www.python.org/')

 #http是无状态的协议，上一次客户端的请求与下一次客户端到服务器的请求无关系的，多数省略这一步

r = urllib2.urlopen(req)

OpenerDirector为每一个Request自动加上一个User-Agent header，所以第二种方法如下（urllib2.buildopener会返回一个OpenerDirector对象，关于urllib2.buildopener类下面再说）：

import urllib2

opener = urllib2.build_opener()

opener.addheaders = [('User-agent', 'Mozilla/5.0')]

opener.open('http://www.example.com/')

II.3 urllib2.installopener(opener)和urllib2.buildopener([handler, ...])　
installopener和buildopener这两个方法通常都是在一起用,也有时候buildopener单独使用来得到OpenerDirector对象。

installopener实例化会得到OpenerDirector
对象用来赋予全局变量opener。如果想用这个opener来调用urlopen，那么就必须实例化得到OpenerDirector；这样就可以简单
的调用OpenerDirector.open()来代替urlopen()。

build_opener实例化也会得到OpenerDirector对象，其中参数handlers可以被BaseHandler或他的子类实例化。子类中可以通过以下实例化：ProxyHandler (如果检测代理设置用)扫描代理会用到，很重要这个, UnknownHandler, HTTPHandler, HTTPDefaultErrorHandler, HTTPRedirectHandler, FTPHandler, FileHandler, HTTPErrorProcessor。

import urllib2

req = urllib2.Request('http://www.python.org/')

opener=urllib2.build_opener()

urllib2.install_opener(opener)

f = opener.open(req)

如上使用 urllib2.install_opener()设置 urllib2 的全局 opener。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 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。

说到这Opener和Handler之间的操作听起来有点晕。整理下思路就清楚了。当获取一个URL时，可以使用一个opener（一个urllib2.OpenerDirector实例对象，可以由build_opener实例化生成）。正常情况下程序一直通过urlopen使用默认的opener（也就是说当你使用urlopen方法时，是在隐式的使用默认的opener 对象），但也可以创建自定义的openers（通过操作器handlers创建的opener实例）。所有的重活和麻烦都交给这些handlers来做。每一个handler知道如何以一种特定的协议（http，ftp等等）打开url，或者如何处理打开url发生的HTTP重定向，或者包含的HTTP cookie。创建openers时如果想要安装特别的han dlers来实现获取url（如获取一个处理cookie的opener，或者一个不处理重定向的opener）的话，先实例一个OpenerDirector对象，然后多次调用.add_handler(some_handler_instance)来创建一个opene r。或者，你可以用build_opener，这是一个很方便的创建opener对象的函数，它只有一个函数调用。build_opener默认会加入许多handlers，它提供了一个快速的方法添加更多东西和使默认的handler 失效。

install_opener如上所述也能用于创建一个opener对象，但是这个对象是（全局）默认的opener。这意味着调用urlopen将会用到你刚创建的opener。也就是说上面的代码可以等同于下面这段。这段代码最终还是使用的默认opener。一般情况下我们用build_opener为的是生成自定义opener，没有必要调用install_opener，除非是为了方便。

import urllib2

req = urllib2.Request('http://www.python.org/')

opener=urllib2.build_opener()       ＃ 创建opener对象

urllib2.install_opener(opener)      ＃定义全局默认opener

f = urllib2.urlopen(req)          #urlopen使用默认opener，但是install_opener

 #已经把opener设为全局默认了，这里便是使用上面的建立的opener

III. 异常处理
当我们调用urllib2.urlopen的时候不会总是这么顺利，就像浏览器打开url时有时也会报错，所以就需要我们有应对异常的处理。说到异常，我们先来了解返回的response对象的几个常用的方法：

geturl() — 返回检索的URL资源，这个是返回的真正url，通常是用来鉴定是否重定向的

info() — 返回页面的原信息就像一个字段的对象，如headers，它以mimetools.Message实例为格式(可以参考HTTP Headers说明)。

getcode() — 返回响应的HTTP状态代码，运行下面代码可以得到code=200
当不能处理一个response时，urlopen抛出一个URLError（对于python APIs，内建异常如，ValueError, TypeError 等也会被抛出。）

HTTPError是HTTP URL在特别的情况下被抛出的URLError的一个子类。下面就详细说说URLError和HTTPError。
URLError——handlers当运行出现问题时（通常是因为没有网络连接也就是没有路由到指定的服务器，或在指定的服务器不存在）
HTTPError——HTTPError是URLError的子类。每个来自服务器HTTP的response都包含“status
code”. 有时status code不能处理这个request.
默认的处理程序将处理这些异常的responses。例如，urllib2发现response的URL与你请求的URL不同时也就是发生了重定向时，会
自动处理。对于不能处理的请求, urlopen将抛出HTTPError异常. 典型的错误包含‘404’ (没有找到页面), ‘403’
(禁止请求),‘401’ (需要验证)等。它包含2个重要的属性reason和code。
程序对于重定向时默认处理的

总结

如果只是单纯的下载或者显示下载进度，不对下载后的内容做处理等，比如下载图片，css，js文件等，可以用urlilb.urlretrieve（）
如果是下载的请求需要填写表单，输入账号，密码等，建议用urllib2.urlopen(urllib2.Request())
在对字典数据编码时候，用到的是urllib.urlencode()

requests

I. Requests 使用的是 urllib3，继承了urllib2的所有特性。Requests支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的 URL 和 POST 数据自动编码。

II. 举例：

  import requests

     ...

     resp = requests.get('http://www.mywebsite.com/user')

     userdata = {"firstname": "John", "lastname": "Doe", "password": "jdoe123"}

     resp = requests.post('http://www.mywebsite.com/user', params=userdata)

     resp = requests.put('http://www.mywebsite.com/user/put')

     resp = requests.delete('http://www.mywebsite.com/user/delete')

     resp.json()   # 假如返回的是json数据

     resp.text     #返回的不是text数据

     resp.headers['content-type']  #返回text/html;charset=utf-8

     f = open('request_index.html', 'w')

     f.write(page.encode('utf8'))

     #test 发现requests抓下来的页面必须要编码\

     #写入,（抓下来的是unicode），urllib和urllib2抓下来可以直接写入，

     #因为这两者抓下来的page是str

III. 其他功能特性

国际化域名和 URLs

Keep-Alive & 连接池

持久的 Cookie 会话

类浏览器式的 SSL 加密认证

基本/摘要式的身份认证

优雅的键/值 Cookies

自动解压

Unicode 编码的响应体

多段文件上传

连接超时

支持 .netrc

适用于 Python 2.6—3.4

线程安全

IV. requests不是python自带的库，需要另外安装 easy_install or pip install

V. requests缺陷:直接使用不能异步调用，速度慢（from others）。官方的urllib可以替代它。

VI. 个人不建议使用requests模块