Python标准库urllib2的使用和获取网站状态举例

Python 2.7标准库中的urllib2以urlopen函数的形式提供了一个非常简单的接口，我们可以使用这个函数来获取网站内容，比如可以用它来做网络爬虫。当然Urllib2也同样提供一个比较复杂的接口来处理复杂情况，例如：基础验证、cookies、代理等。

基本使用

urlopen函数可以接受一个字符串类型url或者一个request对象。

正常的返回对象中主要有这几个方法。

read()：获取网站全部html代码

info()：获取meta-information信息，比如服务器发送的头headers信息。

geturl()：获取真实打开的地址，通常可以识别网址是否设置跳转。这个urllib2会帮你完成，最后得到的是真实地址。

getcode()：获取http返回代码。

1、直接打开url

import urllib2
response = urllib2.urlopen('http://blog.nbqykj.cn/?p=')
html= response.read()
print html

2、request对象访问

import urllib2
url='http://blog.nbqykj.cn/?p='
req=urllib2.Request(url)
response=urllib2.urlopen(req,timeout=30)
html= response.read()
print html

这里urlopen指定timeout超时时间。

3、传递data参数

如果你需要发送数据到URL，比如用户登录，那么HTTP中这个经常使用POST请求发送。这个步骤通常在你提交一个HTML表单时由浏览器完成。在python程序里如何使用POST提交任意的数据？首先需要把data编码成标准格式，然后作为data参数传递给Request对象，最后提交。编码工作使用urllib中的urlencode方法来完成。

import urllib 
import urllib2 
url = 'http://blog.nbqykj.cn/?p='
values = {'username' : 'sijitao',
        'password' : 'passw0rd'}
data = urllib.urlencode(values)
req = urllib2.Request(url, data)
response = urllib2.urlopen(req)
html = response.read()
print html

如果需要使用GET请求发送，那么把编码后的data数据和url相加再提交即可。

import urllib
import urllib2
url="http://www.baidu.com/"
data={}
data['wd']='site:blog.nbhao.org'
url_values=urllib.urlencode(data)
furl=url+'s?'+url_values
req=urllib2.Request(furl)
response = urllib2.urlopen(req,timeout=5)
html = response.read()
print html

4、异常处理

一般使用URLError这个异常。在没有网络连接或者服务器不存在的情况时，URLError异常一般会带有”reason”属性。在网址不存在或者其他服务器错误时，我们可以捕获URLError中的code属性。

import urllib2
url='http://blog.nbqykj.cn/?p='
req=urllib2.Request(url)
response = None
try:
    response = urllib2.urlopen(req,timeout=5)
    print response.getcode()
    print response.geturl()
    print response.info()
    #print response.read()
except urllib2.URLError as e:
    print e
    if hasattr(e, 'code'):
        print 'Error code:',e.code
        #print e.read()
        print e.geturl()
        print e.info()
    elif hasattr(e, 'reason'):
        print 'Reason:',e.reason
except:
    pass
finally:
    if response:
        response.close()

urllib2库的基本使用一般就这些。

获取网站状态举例

背景是如何让程序判断一个网址导航站（http://www.hostunion.net/）中网址是否正常。有了urllib2的基本使用和异常的处理，一般就可以解决。例子中使用了pickle模块，判断如果超过5次异常就删除网站。例子如下。

def webCheck(timeout=60):
    result=sqlExecute("select id,url from websites where status = 3")
    webCheck_pkl='data/webCheck.pkl'
    try:
        f=file(webCheck_pkl,'rb')
        web_dict=pickle.load(f)
        f.close()
    except:
        web_dict={}
    l=[]
    if result:
        for row in result:
            url='http://'+row['url']
            req=urllib2.Request(url)
            req.add_header('User-Agent',"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36")
            response=None
            try:
                response=urllib2.urlopen(req,timeout=timeout)
                #print "Url: %s\t%s" % (url,response.getcode())
                try:
                    web_dict[row['id']]['result_code']
                    web_dict[row['id']]['fail_cnt']
                except:
                    web_dict[row['id']]={}
                    web_dict[row['id']]['fail_cnt']=0
                web_dict[row['id']]['result_code']=response.getcode()
                web_dict[row['id']]['fail_cnt']=0
            except urllib2.URLError as e:
                if hasattr(e, 'code'):
                    print "Url: %s\t%s" % (url,e.code)
                    try:
                        web_dict[row['id']]['result_code']
                        web_dict[row['id']]['fail_cnt']
                    except:
                        web_dict[row['id']]={}
                        web_dict[row['id']]['fail_cnt']=0
                    web_dict[row['id']]['result_code']=e.code
                    web_dict[row['id']]['fail_cnt']=web_dict[row['id']]['fail_cnt']+1
                    if web_dict[row['id']]['fail_cnt']>=5:
                        l.append(row['id'])
                elif hasattr(e, 'reason'):
                    print "Url: %s\t%s" % (url,'error')
                    try:
                        web_dict[row['id']]['result_code']
                        web_dict[row['id']]['fail_cnt']
                    except:
                        web_dict[row['id']]={}
                        web_dict[row['id']]['fail_cnt']=0
                    web_dict[row['id']]['result_code']=e.reason
                    web_dict[row['id']]['fail_cnt']=web_dict[row['id']]['fail_cnt']+1
                    if web_dict[row['id']]['fail_cnt']>=5:
                        l.append(row['id'])
            except:
                pass
            finally:
                if response:
                    response.close()
    for key in l:
        sql='update websites set status=1 where id=%s' % key
        sqlExecute(sql)
    #dump
    f=file(webCheck_pkl,'wb')
    pickle.dump(web_dict,f)
    f.close()

参考网址：http://www.pythontab.com/html/2014/pythonhexinbiancheng_1128/928.html