Python网页抓取urllib,urllib2,httplib[2]

上一篇使用urllib抓取 Python网页抓取urllib,urllib2,httplib[1]

使用httplib抓取：

表示一次与服务器之间的交互，即请求/响应

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

host表示服务器主机

port为端口号，默认值为80

strict的 默认值为false， 表示在无法解析服务器返回的状态行时(status line) （比较典型的状态行如： HTTP/1.0 200 OK ），是否抛BadStatusLine 异常

可选参数timeout 表示超时时间。

HTTPConnection提供的方法：

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

调用request 方法会向服务器发送一次请求

method 表示请求的方法，常用有方法有get 和post ；

url 表示请求的资源的url ；

body 表示提交到服务器的数据，必须是字符串（如果method是”post”，则可以把body 理解为html 表单中的数据）；

headers 表示请求的http 头。

- HTTPConnection.getresponse ()

获取Http 响应。返回的对象是HTTPResponse 的实例，关于HTTPResponse 在下面会讲解。

- HTTPConnection.connect ()

连接到Http 服务器。

- HTTPConnection.close ()

关闭与服务器的连接。

- HTTPConnection.set_debuglevel ( level )

设置高度的级别。参数level 的默认值为0 ，表示不输出任何调试信息。

httplib.HTTPResponse

-HTTPResponse表示服务器对客户端请求的响应。往往通过调用HTTPConnection.getresponse()来创建，它有如下方法和属性：

-HTTPResponse.read([amt])

获取响应的消息体。如果请求的是一个普通的网页，那么该方法返回的是页面的html。可选参数amt表示从响应流中读取指定字节的数据。

-HTTPResponse.getheader(name[, default])

获取响应头。Name表示头域(header field)名，可选参数default在头域名不存在的情况下作为默认值返回。

-HTTPResponse.getheaders()

以列表的形式返回所有的头信息。

- HTTPResponse.msg

获取所有的响应头信息。

-HTTPResponse.version

获取服务器所使用的http协议版本。11表示http/1.1；10表示http/1.0。

-HTTPResponse.status

获取响应的状态码。如：200表示请求成功。

-HTTPResponse.reason

返回服务器处理请求的结果说明。一般为”OK”

使用例子：

#!/usr/bin/python
# -*- coding:utf-8 -*-
# httplib_test.py
# author:wklken
# 2012-03-17  wklken#yeah.net
def use_httplib():
import httplib
conn = httplib.HTTPConnection("www.baidu.com")
i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",
"Accept": "text/plain"}
conn.request("GET", "/", headers = i_headers)
r1 = conn.getresponse()
print "version:", r1.version
print "reason:", r1.reason
print "status:", r1.status
print "msg:", r1.msg
print "headers:", r1.getheaders()
data = r1.read()
print len(data)
conn.close()

if __name__ == "__main__":
use_httplib()