Python 的 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。他们两个最显着的差异如下:

  • urllib2 主要的功能是接受一个 Request 对象,并以此可以来设置一个 URL 的 headers,但 urllib 只接收一个 URL。这意味着不能伪装用户代理字符串等。

  • urllib 模块可以提供进行 urlencode 的方法,该方法用于 GET 查询字符串的生成,urllib2 的不具有这样的功能。这就是 urllib 与 urllib2 经常在一起使用的原因。urllib 模块也提供其他一些 url 的处理方法。

urlopen 方法

urllib.urlopen(url[, data[, proxies]])

创建一个表示远程 url 的类文件对象,然后像本地文件一样操作这个类文件对象来获取远程数据。

参数说明: 参数url表示远程数据的路径,一般是网址; 参数data表示以post方式提交到url的数据(玩过web的人应该知道提交数据的两种方式:post与get。如果你不清楚,也不必太在意,一般情况下很少用到这个参数); 参数proxies用于设置代理。

urlopen返回 一个类文件对象,它提供了如下方法: read() , readline() , readlines() , fileno() , close() :这些方法的使用方式与文件对象完全一样; info():返回一个httplib.HTTPMessage 对象,表示远程服务器返回的头信息 getcode():返回Http状态码。如果是http请求,200表示请求成功完成;404表示网址未找到; geturl():返回请求的url;

urlretrieve 方法

urllib.urlretrieve(url[, filename[, reporthook[, data]]])

直接将远程数据下载到本地。该方法返回一个包含两个元素的元组(filename, headers),filename 表示保存到本地的路径,header 表示服务器的响应头。

参数说明:

  • url: 外部或者本地 url
  • filename: 指定了保存到本地的路径(如果未指定该参数,urllib会生成一个临时文件来保存数据)
  • reporthook: 是一个回调函数,当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调。我们可以利用这个回调函数来显示当前的下载进度
  • data: 指post到服务器的数据

urlcleanup 方法

urllib.urlcleanup()

清除由于 urllib.urlretrieve() 所产生的缓存

quote 和 quote_plus

urllib.quote(url) 和 urllib.quote_plus(url) 将 url 数据获取之后,并将其编码,从而使用于 URL 字符串中,使其能被打印和被 Web 服务器接受。

unquote 和 unquote_plus

urllib.unquote(url) 和 urllib.unquote_plus(url) 与上面两个方法相反

urlencode

urllib.urlencode(query) 将 URL 中的键值对以连接符 & 划分

urllib3 & requests

此外,还有一个第三方开发的 urllib3 库,是 urllib 和 urllib2 功能的增强以及补充。

需要注意的是,到 Python 3 之后,标准库的 urllib 与 urllib2 库已经被合并,统一放到了 urllib 库下,并通过子模块来细分功能:

  • urllib.request: 请求模块
  • urllib.error: 异常处理模块
  • urllib.parse: url解析模块
  • urllib.robotparser: robots.txt 解析模块

在 Python 中处理网络 HTTP 请求,可以考虑使用另外一个第三方库 requests,其功能非常完备,是一个比较全面的 HTTP 客户端库,而且使用也非常简单。

参考资料

  • http://www.cnblogs.com/wly923/archive/2013/05/07/3057122.html
  • http://zeping.blog.51cto.com/6140112/1143722
  • http://zhuoqiang.me/python-urllib2-usage.html