首页 > 代码库 > Python爬虫学习(2): httplib

Python爬虫学习(2): httplib

  httplib模块实现了HTTP和HTTPS的客户端部分,但是一般不直接使用,经常通过urllib来进行HTTP,HTTPS的相关操作。

  如果需要查看其源代码可以通过查找命令定位:

find / -name "httplib.py"

  整个请求过程的状态转移图如下所示:

  技术分享

httplib提供如下的类:

1. httplib.HTTPConnection(host[, port[, strict[, timeout[, source_address]]]])

  一个HTTPConnection实例表示一次与HTTP server的连机事务,在实例化的时候至少需要一个主机地址。port参数如果没有指定会默认采用80端口。strict参数的默认值是false,当这个值为true的时候,如果状态行(status line)不是HTTP/1.0 or 1.1,则会引发BadStatusLine错误。timeout参数指定在多长时间后还未连接到主机则停止此联机行为。source_address参数是二元组形式(host,port),指定发起连接的客户机的IP和端口。

>>> h1 = httplib.HTTPConnection(www.cwi.nl)
>>> h2 = httplib.HTTPConnection(www.cwi.nl:80)
>>> h3 = httplib.HTTPConnection(www.cwi.nl, 80)
>>> h3 = httplib.HTTPConnection(www.cwi.nl, 80, timeout=10)

  其包含如下几个方法:

  1.1 HTTPConnection.request(method, url[, body[, headers]])

    以method方法来访问url地址,body参数可以是需要发送的数据字符串,还可以是文件对象,其将会在发送完headers之后发送出去。headers参数对应HTTP headers中需要的内容。如果headers参数没有指定,则headers中的Content-Length会根据body的大小自动添加(字符串的长度或者是文件的大小)。

  1.2 HTTPConnection.getresponse()

    一般在调用request之后用来获取返回结果,此方法返回一个HTTPResponse对象。

    注意: 在发送一个新的请求之前要先读取返回的结果,否则会出错。源文件中对应的部分如下:

        # Note: if a prior response exists, then we *can* start a new request.

        #       We are not allowed to begin fetching the response to this new

        #       request, however, until that prior response is complete.

        #

        if self.__state == _CS_IDLE:

            self.__state = _CS_REQ_STARTED

        else:

            raise CannotSendRequest()

 

    测试实例:

 

    技术分享

  1.3 HTTPConnection.set_debuglevel(level)

    设置调试级别(相关的调试信息会打印出来),默认值是0,表示不打印调试信息。

In [14]: con = httplib.HTTPConnection("www.baidu.com")

In [15]: con.set_debuglevel(1)
# 请求过程中会输出一些调式信息
In [16]: req = con.request("GET","/")
send: GET / HTTP/1.1\r\nHost: www.baidu.com\r\nAccept-Encoding: identity\r\n\r\n

 

 

  1.4 HTTPConnection.connect()

    当HTTPConnection对象创建的时候自动连接到服务器

  1.5 HTTPConnection.close()

    你懂的

  你除了直接调用request()方法来访问服务器,还可以以下边4步实现此功能:

  1.6.1 HTTPConnection.putrequest(request, selector[, skip_host[, skip_accept_encoding]])

     这是连接到服务器之后的第一步操作

  1.6.2 HTTPConnection.putheader(header, argument[, ...])

     发送请求头

  1.6.3 HTTPConnection.endheaders(message_body=None)

    向服务器发送一空行表示请求头的结束。

  1.6.4 HTTPConnection.send(data) 

    向服务器发送数据。应该在endheaders函数调用之后,getresponse函数之前调用。

2. httplib.HTTPSConnection(host[, port[, key_file[, cert_file[, strict[, timeout[, source_address[, context]]]]]]])

  这是HTTPConnection的一个子类,通过SSL来和安全主机交互,采用的默认端口是443.如果参数context指定时候,这其此参数必须是ssl.SSLContext(描述SSL的各种信息)的实例。

  key_file和cert_file参数已经弃用。

3. httplib.HTTPResponse(sock, debuglevel=0, strict=0)

  这个类会在成功连接后返回,不会被用户直接初始化。

  HTTPResponse.read([amt])

    返回响应结果,或者读取下amt个字节

In [23]: response = con.getresponse()

In [24]: response.read(10)
Out[24]: <!DOCTYPE 

 

 

  HTTPResponse.getheader(name[, default])

    获取指定文件头中指定的内容

 

In [26]: response.getheader("server")
Out[26]: BWS/1.1
In [27]: response.getheader("date")
Out[27]: Mon, 17 Oct 2016 10:59:40 GMT
In [28]: response.getheader("Date")
Out[28]: Mon, 17 Oct 2016 10:59:40 GMT

 

 

  HTTPResponse.getheaders()

    获取文件头的列表

    技术分享

  HTTPResponse.fileno()

    获取socket的文件描述符

  HTTPResponse.msg

获取包含响应头的 mimetools.Message 的实例

In [30]: message = response.msg
In [31]: message
Out[31]: <httplib.HTTPMessage instance at 0x39610e0>
# 获取响应头信息
In [
33]: dict = message.dict In [34]: dict Out[34]: {accept-ranges: bytes, cache-control: no-cache, connection: Keep-Alive, content-length: 14613, content-type: text/html, date: Mon, 17 Oct 2016 10:59:40 GMT, last-modified: Thu, 13 Oct 2016 05:07:00 GMT, p3p: CP=" OTI DSP COR IVA OUR IND COM ", pragma: no-cache, server: BWS/1.1, set-cookie: BAIDUID=6C2B1FF908F1DD87C092C282D6F1EE2A:FG=1; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com, BIDUPSID=6C2B1FF908F1DD87C092C282D6F1EE2A; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com, PSTM=1476701980; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com, vary: Accept-Encoding, x-ua-compatible: IE=Edge,chrome=1}

 

  HTTPResponse.status

   HTTP的状态码

  HTTPResponse.reason

In [35]: response.reason
Out[35]: OK

 

 

 

4. httplib.HTTPMessage

   这个类中存储HTTP的响应头信息。其通过 mimetools.Message实现,并提供处理头的使用函数,不会被用户实例化。

 

 

 

 

 

 

 

 

 

 

 

 

参考地址: https://docs.python.org/2/library/httplib.html#httplib.HTTPSConnection

Python爬虫学习(2): httplib