Python 初步了解urllib库：网络请求的利器

Python 初步了解urllib库：网络请求的利器-LMLPHP

urllib库简介

request模块

parse模块

在Python的众多库中，urllib库是一个专门用于处理网络请求的强大工具。urllib库提供了多种方法来打开和读取URLs，从而使得网络数据的获取和处理变得简单而直接。本文将带领大家走进urllib库的世界，探索其功能和用法。

urllib库简介

urllib库是Python的一个标准库，它包含了多个模块，用于处理URL相关的操作。其中，request模块用于打开和读取URLs，parse模块用于解析URLs，error模块则用于处理URL请求过程中可能出现的异常。

request模块

urllib.request模块提供了多种方法来实现URL的打开和读取。其中最常用的方法是urlopen()。这个方法接收一个URL作为参数，返回一个HTTPResponse对象，该对象包含了服务器的响应。

下面是一个简单的示例：

import urllib.request  
  
response = urllib.request.urlopen('http://www.example.com')  
print(response.read())

在这个示例中，首先导入了urllib.request模块，然后使用urlopen()方法打开了一个URL。返回的HTTPResponse对象包含了服务器的响应，可以使用read()方法读取这个响应的内容。

parse模块

urllib.parse模块主要用于解析URLs。它提供了多种函数来解析URL的各个组成部分，比如网络位置、路径、参数等。

例如，使用urlparse()函数来解析一个URL：

import urllib.parse  
  
url = 'http://www.example.com/path?arg1=value1&arg2=value2'  
parsed_url = urllib.parse.urlparse(url)  
print('Scheme:', parsed_url.scheme)  
print('Netloc:', parsed_url.netloc)  
print('Path:', parsed_url.path)  
print('Params:', parsed_url.params)  
print('Query:', parsed_url.query)  
print('Fragment:', parsed_url.fragment)

这个示例中，使用了urlparse()函数来解析一个URL，并打印出了URL的各个组成部分。

error模块

在网络请求中，经常会遇到各种异常，比如URL无法访问、网络连接超时等。urllib库提供了urllib.error模块来处理这些异常。

可以使用try-except语句来捕获和处理这些异常：

import urllib.request  
import urllib.error  
  
try:  
    response = urllib.request.urlopen('http://www.example.com')  
    print(response.read())  
except urllib.error.URLError as e:  
    print('Error occurred:', e.reason)

在这个示例中，如果urlopen()方法抛出了URLError异常，就会捕获这个异常并打印出错误的原因。

下面是 urllib.error 模块中一些常见的异常类及其使用示例：

URLError

URLError 是 urllib.error 模块中定义的基类，用于处理所有与 URL 相关的错误。它通常包含了一个描述错误的“原因”（reason）。

import urllib.request  
import urllib.error  
  
try:  
    response = urllib.request.urlopen('http://nonexistent-domain.com')  
except urllib.error.URLError as e:  
    print('An error occurred:', e.reason)

HTTPError

HTTPError 是 URLError 的一个子类，专门用于处理 HTTP 请求过程中出现的错误，比如 404 Not Found 或 500 Internal Server Error。当请求成功但服务器返回了一个错误状态码时，就会抛出 HTTPError 异常。

import urllib.request  
import urllib.error  
  
try:  
    response = urllib.request.urlopen('http://www.example.com/nonexistent-page')  
except urllib.error.HTTPError as e:  
    print('HTTP error occurred:', e.code)  # 输出 HTTP 状态码  
    print(e.reason)                         # 输出错误原因  
    print(e.headers)                        # 输出响应头部  
    print(e.read())                         # 读取响应体内容（如果可用）

ContentTooShortError

ContentTooShortError 异常通常在读取的数据少于预期时抛出。这可能是因为连接在数据完全接收之前被关闭。

import urllib.request  
import urllib.error  
  
try:  
    # 假设这个 URL 返回一个非常小的内容，但我们期望的内容长度更长  
    response = urllib.request.urlopen('http://www.example.com/small-content')  
    content = response.read(1000)  # 尝试读取比实际内容更多的数据  
except urllib.error.ContentTooShortError as e:  
    print('Content was too short:', e)

异常处理策略

在实际应用中，可能会根据具体的需求来捕获和处理不同的异常。通常，会首先捕获 HTTPError，因为它提供了关于 HTTP 请求失败的详细信息。然后，会捕获更一般的 URLError，以处理其他与 URL 相关的错误。

import urllib.request  
import urllib.error  
  
try:  
    response = urllib.request.urlopen('http://www.example.com/some-page')  
except urllib.error.HTTPError as e:  
    # 处理 HTTP 错误，比如状态码检查、重试逻辑等  
    print('HTTP error occurred:', e.code)  
except urllib.error.URLError as e:  
    # 处理 URL 错误，比如网络不可用、DNS 解析失败等  
    print('URL error occurred:', e.reason)  
except Exception as e:  
    # 处理其他未明确捕获的异常  
    print('An unexpected error occurred:', e)

通过适当地使用 try-except 语句和 urllib.error 模块中的异常类，可以编写出健壮的网络请求代码，能够优雅地处理各种可能的错误情况。

response模块

urllib.response模块主要用于处理服务器的响应。通常，不需要直接操作urllib.response模块，而是会通过urllib.request模块得到的urllib.response.HttpResponse对象来间接地使用它。

当使用urllib.request.urlopen()或者其他类似方法发送一个HTTP请求时，如果请求成功，将得到一个HttpResponse对象，这个对象就是urllib.response模块的一部分。这个对象提供了方法来处理响应的状态、头部以及响应体。

以下是urllib.response模块在使用中经常涉及的几个方面：

读取响应内容

使用read()方法读取响应体的内容。

import urllib.request  

response = urllib.request.urlopen('http://www.example.com')  
content = response.read()  
print(content)

获取响应状态码

使用status属性获取HTTP响应的状态码。

import urllib.request  

response = urllib.request.urlopen('http://www.example.com')  
status_code = response.status  
print(status_code)

获取响应头部信息

使用getheader(name)方法获取特定头部的值，或者使用headers属性获取所有头部信息。

import urllib.request  

response = urllib.request.urlopen('http://www.example.com')  
content_type = response.getheader('Content-Type')  
print(content_type)  

# 获取所有头部信息  
for header, value in response.headers.items():  
   print(header, value)

处理重定向

默认情况下，urllib.request会自动处理HTTP重定向。但如果需要更细粒度的控制，可以通过urllib.request.HTTPRedirectHandler来自定义重定向行为。

处理cookies

虽然urllib.response模块本身不直接处理cookies，但可用urllib.request.HTTPCookieProcessor与http.cookiejar.CookieJar来管理cookies。

关闭响应

在读取完响应内容后，为了释放系统资源，通常应该关闭响应。Python的HTTP响应对象支持上下文管理器协议，因此可以使用with语句来自动关闭响应。

import urllib.request  

with urllib.request.urlopen('http://www.example.com') as response:  
    content = response.read()  
    # 在这里处理内容  
    # 响应会在with块结束时自动关闭

尽管urllib.response模块提供了这些功能，但在日常使用中，更多的是与urllib.request模块交互，它负责发送请求并返回HttpResponse对象，而HttpResponse对象则提供了上述方法来处理响应。

需要注意的是，对于更复杂的网络请求和处理，如POST请求、设置请求头部、处理cookies等，可能还需要结合urllib.request中的其他类和方法一起使用。同时，对于更加现代和高级的HTTP客户端需求，还可以考虑使用requests库，它提供了更加友好和强大的API。

代码实例

以下举3个实例，都是代码框架并不能正常运行，请根据网页实现情况修改代码。

图片下载

import re  
import urllib.request  
  
def download_images(url):  
    # 从网页获取HTML代码  
    response = urllib.request.urlopen(url)  
    html = response.read().decode('utf-8')  
  
    # 使用正则表达式提取图片URL  
    img_urls = re.findall(r'src="([^"]+\.(?:png|jpg|jpeg|gif|bmp))"', html)  
  
    # 遍历图片URL并下载图片  
    for img_url in img_urls:  
        img_url = 'http://example.com/' + img_url  # 根据实际情况修改URL前缀  
        urllib.request.urlretrieve(img_url, 'image_' + img_url.split('/')[-1])  # 下载图片并保存  
  
# 使用函数下载图片  
download_images('http://example.com/some_page_with_images')  # 替换为实际的网页URL

股票信息

import urllib.request  
from urllib.parse import urlencode  
import json  
  
def get_stock_info(stock_symbol):  
    # 假设有一个网站提供股票信息，并且它接受一个查询参数'symbol'  
    url = 'http://example.com/stock_info'  
    params = {'symbol': stock_symbol}  
    query_string = urlencode(params)  
    full_url = f"{url}?{query_string}"  
  
    # 发起请求  
    req = urllib.request.Request(full_url)  
    response = urllib.request.urlopen(req)  
    data = response.read()  
  
    # 解析JSON响应  
    stock_data = json.loads(data)  
    return stock_data  
  
# 使用函数获取股票信息  
stock_symbol = 'AAPL'  # 例如，查询苹果公司的股票信息  
stock_info = get_stock_info(stock_symbol)  
  
# 输出股票信息  
print(stock_info)

天气预报

import urllib.request  
import json  
  
def get_weather_forecast(city):  
    # 假设有一个提供天气服务的网站，并且它接受一个查询参数'city'  
    url = 'http://example.com/weather_forecast'  
    params = {'city': city}  
    query_string = urllib.parse.urlencode(params)  
    full_url = f"{url}?{query_string}"  
  
    # 发起请求  
    req = urllib.request.Request(full_url)  
    response = urllib.request.urlopen(req)  
    data = response.read()  
  
    # 解析JSON响应  
    weather_data = json.loads(data)  
    return weather_data  
  
# 使用函数获取天气预报  
city = 'Beijing'  # 想要查询的城市  
weather_forecast = get_weather_forecast(city)  
  
# 输出天气预报信息  
print(weather_forecast)

总结

urllib库是Python中用于处理网络请求的强大工具。通过urllib库，可以方便地打开和读取URLs，处理网络请求中的异常，以及解析URLs的各个组成部分。无论是进行网络爬虫的开发，还是实现其他与网络请求相关的功能，urllib库都是一个值得学习和使用的工具。

Hann Yang