python使用urllib.urlopen超时的问题 - Eric Wang 0813 - 博客园
在新的公司开始上班，今天工作的主题内容是市场部门需要抓取一些论坛用户的邮箱，以便发送营销邮件。
于是用了一个python脚本来执行，前面抓了几个都没有什么问题，后来碰到一个论坛，在执行urlopen的地方总是提示超时，百度了一下，因为我使用的是urllib不是urllib2，所以无法直接在urlopen里面加timeout参数，只能是设置全局脚本的超时时间
import socket
socket.setdefaulttimeout(60)
设置全局的超时时间为60s
之后再执行脚本的时候就没有什么大问题了
阅读(...) 评论()本周热点　　初夏里深夜的月光，轻轻薄薄地笼罩着螺碧村。这个时候，狗都睡了，偶尔有几只捣蛋...做个资深老司机，扫描二维码，下载后更精彩~周末早上先来喂一波污污的东西……你可喜...沈倾倾来到新房外，房子灯火通明，看上去很是喜气。看来何安真的在这里，她已经去他家...喜事年年有，今年格外多，继唐嫣罗晋公开恋情之后，娱乐圈又有一对情侣加入到了虐狗大...睽违六年，王菲终于要再开演唱会了！王菲定义这场演唱会的主题为“幻乐一场”。菲迷们...Python3学习笔记（urllib模块的使用） - 推酷
Python3学习笔记（urllib模块的使用）
1.基本方法
urllib.request.
cafile=None
capath=None
cadefault=False
context=None
-&&&&&&&&&url: &需要打开的网址
-&&&&&&&&&data：Post提交的数据
-&&&&&&&&&timeout：设置网站的访问超时时间
直接用urllib.request模块的urlopen（）获取页面，page的数据格式为bytes类型，需要decode（）解码，转换成str类型。
1 from urllib import request
2 response = request.urlopen(r'http://python.org/') # &http.client.HTTPResponse object at 0xBC908& HTTPResponse类型
3 page = response.read()
4 page = page.decode('utf-8')
urlopen返回对象提供方法：
-&&&&&&&&&read() , readline() ,readlines() , fileno() , close() ：对
HTTPResponse类型数据进行操作
-&&&&&&&&&info()：返回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请求成功完成;404网址未找到
-&&&&&&&&&geturl()：返回请求的url
2.使用Request
urllib.request.
url,&data=None,&headers={}, method=None
使用request（）来包装请求，再通过urlopen（）获取页面。
1 url = r'/zhaopin/Python/?labelWords=label'
2 headers = {
'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Referer': r'/zhaopin/Python/?labelWords=label',
'Connection': 'keep-alive'
8 req = request.Request(url, headers=headers)
9 page = request.urlopen(req).read()
10 page = page.decode('utf-8')
用来包装头部的数据：
-&&&&&&&&&User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言
-&&&&&&&&&Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的
-&&&&&&&&&Connection：表示连接状态，记录Session的状态。
3.Post数据
urllib.request.
cafile=None
capath=None
cadefault=False
context=None
urlopen（）的data参数默认为None，当data参数不为空的时候，urlopen（）提交方式为Post。
1 from urllib import request, parse
2 url = r'/jobs/positionAjax.json?'
3 headers = {
'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Referer': r'/zhaopin/Python/?labelWords=label',
'Connection': 'keep-alive'
9 data = {
'first': 'true',
'kd': 'Python'
14 data = parse.urlencode(data).encode('utf-8')
15 req = request.Request(url, headers=headers, data=data)
16 page = request.urlopen(req).read()
17 page = page.decode('utf-8')
urllib.parse.urlencode
query, doseq=False, safe='', encoding=None, errors=None
urlencode（）主要作用就是将url附上要提交的数据。
1 data = {
'first': 'true',
'kd': 'Python'
6 data = parse.urlencode(data).encode('utf-8')
经过urlencode（）转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为
/jobs/positionAjax.json?first=true?pn=1?kd=Python
Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码
1 page = request.urlopen(req, data=data).read()
当然，也可以把data的数据封装在urlopen（）参数中
4.异常处理
1 def get_page(url):
headers = {
'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
'Referer': r'/zhaopin/Python/?labelWords=label',
'Connection': 'keep-alive'
'first': 'true',
'kd': 'Python'
data = parse.urlencode(data).encode('utf-8')
req = request.Request(url, headers=headers)
page = request.urlopen(req, data=data).read()
page = page.decode('utf-8')
except error.HTTPError as e:
print(e.code())
print(e.read().decode('utf-8'))
return page
5、使用代理
urllib.request.
ProxyHandler
proxies=None
当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。
1 data = {
'first': 'true',
'kd': 'Python'
6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'})
# 设置proxy
7 opener = request.build_opener(proxy)
# 挂载opener
8 request.install_opener(opener)
# 安装opener
9 data = parse.urlencode(data).encode('utf-8')
10 page = opener.open(url, data).read()
11 page = page.decode('utf-8')
12 return page
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致python设置socket的超时时间 - 为程序员服务
为程序员服务
python设置socket的超时时间
在使用urllib或者urllib2时，有可能会等半天资源都下载不下来，可以通过设置socket的超时时间，来控制下载内容时的等待时间。
如下python代码
import socket
timeout = 20
socket.setdefaulttimeout(timeout)
这样默认20秒之后就会超时。
您可能的代码
相关聚客文章
荣誉：1346
相关专栏文章lz提示一点，python3中urllib包括了py2中的urllib+urllib2。[和python3的区别、转换及共存 - urllib]
怎样扒网页？
其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加 JS、CSS。
如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的。
扒网页的栗子py2:
import urllib2response = urllib2.urlopen("")print response.read()
from urllib import request
response = request.urlopen("")
print(response.read().decode())
真正的程序就两行，运行结果：
1. urllib是干嘛的：The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.
2. urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False)：重点部分是返回值, 这个函数返回一个 http.client.HTTPResponse 对象, 这个对象又有各种方法, 比如我们用到的read()方法。还有其它方法：geturl()、info()、getcode()。
3. response.read()要decode才能正常显示html内容，否则会是title="\xe7\x99\xbe\xe5\xba\xa6\xe6\x90\x9c\xe7\xb4\xa2"而不是title="百度搜索"了
4. response.read()只能运行一次就到结尾了，再次读取总是空值！分析这两行代码
第一行调用的是urllib库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议。
urlopen一般接受三个参数，它的参数如下：urlopen(url, data, timeout)第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。response.read()response对象有一个read方法，可以返回获取到的网页内容。
构造Requset其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。
比如上面的两行代码，我们可以这么改写import urllib2 request = urllib2.Request("")response = urllib2.urlopen(request)print response.read()
import urllib.request
request = urllib.request.Request("")
response = urllib.request.urlopen(request)
print(response.read().decode())
运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
数据传送POST和GET上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况就是登录注册的时候。把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应
数据传送POST和GET两种方式及区别最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，可以酌情选择。POST方式：上面说的data参数就是用在这里的，我们传送的数据就是这个参数data。import urllibimport urllib2 values = {"username":"","password":"XXXX"}data = urllib.urlencode(values) url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"request = urllib2.Request(url,data)response = urllib2.urlopen(request)print response.read()我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。GET方式：至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。import urllibimport urllib2values={}values['username'] = ""values['password']="XXXX"data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login"geturl = url + "?"+datarequest = urllib2.Request(geturl)response = urllib2.urlopen(request)print response.read()Note:你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数http://passport.csdn.net/account/login?username=&password=XXXX和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。
[方法：GET 对比 POST]
[爬虫入门三之Urllib库的基本使用]
设置Headers有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性。
打开我们的浏览器（Chrome），调试浏览器F12，打开网络监听network，比如知乎登录之后，这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。
Note:上面的图是先点击name中的，再点headers才会出现。
拆分这些请求，我们只看一第一个请求，你可以看到，有个Request URL，还有headers，下面便是response。这个头中包含了许许多多是信息，有文件编码啦，压缩方式，请求的agent等等。其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。import urllib
import urllib2
url = '/login'user_agent = 'Mozilla/4.0 ( MSIE 5.5; Windows NT)'
values = {'username' : 'cqc',
'password' : 'XXXX' }
headers = { 'User-Agent' : user_agent }
data = urllib.urlencode(values)
request = urllib2.Request(url, data, headers)
response = urllib2.urlopen(request)
page = response.read()
import urllib.request
from urllib.parse import urlencode
URL_ROOT = r'/#_loginLayer_6'
values = {'username': '***, 'password': '&&&}
data = urlencode(values).encode()
# print(type(data), data)
user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0. Safari/537.36'
# user_agent = r'Mozilla/5.0 (W U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/ Firefox/3.5.6'
headers = {'User-Agent': user_agent}
request = urllib.request.Request(URL_ROOT, data, headers)
response = urllib.request.urlopen(request)
page = response.read()
print(page)
u = urllib.URLopener() # Python 3: urllib.request.URLOpener
u.addheaders = []
u.addheader('User-Agent', 'Opera/9.80 (Windows NT 6.1; WOW64; U; de) Presto/2.10.289 Version/12.01')
u.addheader('Accept-Language', 'de-DE,q=0.9,q=0.8')
u.addheader('Accept', 'text/html, application/q=0.9, application/xhtml+xml, image/png, image/webp, image/jpeg, image/gif, image/x-xbitmap, */*;q=0.1')
f = u.open(url)
content = f.read()
import urllib.request
import http.cookiejar
# head: dict of header
def makeMyOpener(head = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,q=0.8,zh-Hans-CN;q=0.5,zh-Hq=0.3',
'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
cj = http.cookiejar.CookieJar()
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
header = []
for key, value in head.items():
elem = (key, value)
header.append(elem)
opener.addheaders = header
return opener
oper = makeMyOpener()
uop = oper.open('/', timeout = 1000)
data = uop.read()
print(data.decode())
大概是把一个通俗的字符串, 转化为url格式的字符串。
2. py3中data参数是要进行任意编码（utf8...），否则出现错误TypeError: POST data should be bytes or an iterable of bytes. It cannot be of type str.
python2.7 是 ascii，3.3 是utf-8，都是string类型，但socket (urllib等都是基于socket) 使用bytes，要通过encode()转换。
3. 注意URL_ROOT不能编码，URL_ROOT = URL_ROOT.encode()，否则会出错：unknown url type: b'http
这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。
对付防盗链另外，我们还有对付"反盗链"的方式，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer例如我们可以构建下面的headersheaders = { 'User-Agent' : 'Mozilla/4.0 ( MSIE 5.5; Windows NT)'
, 'Referer':'/articles' }
同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。headers的一些属性需要特别注意一下User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。application/xml ：
在 XML RPC，如 RESTful/SOAP 调用时使用application/json ：
在 JSON RPC 调用时使用application/x-www-form-urlencoded ：
浏览器提交 Web 表单时使用在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。
设置Proxy（代理）urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了！代理的设置用法import urllib2enable_proxy = Trueproxy_handler = urllib2.ProxyHandler({"http" : ':8080'})null_proxy_handler = urllib2.ProxyHandler({})if enable_proxy:
opener = urllib2.build_opener(proxy_handler)else:
opener = urllib2.build_opener(null_proxy_handler)urllib2.install_opener(opener)
设置Timeout urlopen方法第三个参数就是timeout的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。import urllib2response = urllib2.urlopen('', timeout=10)import urllib2response = urllib2.urlopen('',data, 10)
使用 HTTP 的 PUT 和 DELETE 方法http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到PUT方式或者DELETE方式请求。PUT：这个方法比较少见。HTML表单也不支持这个。本质上来讲， PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或DELETE 的请求，不过用的次数的确是少，在这里提一下。import urllib2request = urllib2.Request(uri, data=data)request.get_method = lambda: 'PUT' # or 'DELETE'response = urllib2.urlopen(request)
使用DebugLog可以通过下面的方法把 Debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，这个也不太常用，仅提一下import urllib2httpHandler = urllib2.HTTPHandler(debuglevel=1)httpsHandler = urllib2.HTTPSHandler(debuglevel=1)opener = urllib2.build_opener(httpHandler, httpsHandler)urllib2.install_opener(opener)response = urllib2.urlopen('')
Cookie的使用
用 Python 来登录网站, 用Cookies记录登录信息, 然后就可以抓取登录之后才能看到的信息。
什么是cookies?
Cookie，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）。比如说有些网站需要登录后才能访问某个页面，在登录之前，你想抓取某个页面内容是不允许的。那么我们可以利用Urllib库保存我们登录的Cookie，然后再抓取其他页面就达到目的了。opener的概念当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面，我们都是使用的默认的opener，也就是urlopen。
urlopen是一个特殊的opener，可以理解成opener的一个特殊实例，传入的参数仅仅是url，data，timeout。如果我们需要用到Cookie，只用这个opener是不能达到目的的，所以我们需要创建更一般的opener来实现对Cookie的设置。Cookielibcookielib模块的主要作用是提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源。Cookielib模块非常强大，我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。它们的关系：CookieJar —-派生—-&FileCookieJar
—-派生—–&MozillaCookieJar和LWPCookieJar
使用cookie登录的步骤1）获取Cookie保存到变量首先，我们先利用CookieJar对象实现获取cookie的功能，存储到变量中，先来感受一下import urllib2import cookielib#声明一个CookieJar对象实例来保存cookiecookie = cookielib.CookieJar()#利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器handler=urllib2.HTTPCookieProcessor(cookie)#通过handler来构建openeropener = urllib2.build_opener(handler)#此处的open方法同urllib2的urlopen方法，也可以传入requestresponse = opener.open('')for item in cookie:
print 'Name = '+item.name
print 'Value = '+item.value
import urllib.request
import http.cookiejar
URL_ROOT = r'/'
cookie = http.cookiejar.CookieJar()
# 声明一个CookieJar对象实例来保存cookie
handler = urllib.request.HTTPCookieProcessor(cookie)
# 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
opener = urllib.request.build_opener(handler)
# 通过handler来构建opener
response = opener.open(URL_ROOT)
# 此处的open方法同urllib2的urlopen方法，也可以传入request
for item in cookie:
print('Name = ' + item.name)
print('Value = ' + item.value)
我们使用以上方法将cookie保存到变量中，然后打印出了cookie中的值，运行结果如下Name = YF-Page-G0
Value = dc8d8dc3bfac
Note:py3中opener也可以这样使用：
= urllib.request.Request(URL_ROOT, postdata, headers)
response = opener.open(request)
urllib.request.install_opener(opener)
= urllib.request.Request(URL_ROOT, postdata, headers)
response = urllib.request.urlopen(request)
2）保存Cookie到文件上面我们将cookie保存到了cookie这个变量中，如果我们想将cookie保存到文件中该怎么做呢？这时，我们就要用到FileCookieJar这个对象了，在这里我们使用它的子类MozillaCookieJar来实现Cookie的保存
import cookielib
import urllib2
filename = 'cookie.txt'
# 设置保存cookie的文件，同级目录下的cookie.txt
cookie = cookielib.MozillaCookieJar(filename)
# 声明一个MozillaCookieJar对象实例来保存cookie，之后写入文件
handler = urllib2.HTTPCookieProcessor(cookie)
# 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
opener = urllib2.build_opener(handler)
# 通过handler来构建opener
response = opener.open("")
# 创建一个请求，原理同urllib2的urlopen
cookie.save(ignore_discard=True, ignore_expires=True)
# 保存cookie到文件
import urllib.request, urllib.parse, urllib.error
import http.cookiejar
URL_ROOT = '/login/'
values = {'name': '******', 'password': '******'}
postdata = urllib.parse.urlencode(values).encode()
user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0. Safari/537.36'
headers = {'User-Agent': user_agent}
cookie_filename = 'cookie.txt'
cookie = http.cookiejar.LWPCookieJar(cookie_filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
request = urllib.request.Request(URL_ROOT, postdata, headers)
response = opener.open(request)
except urllib.error.URLError as e:
print(e.reason)
cookie.save(ignore_discard=True, ignore_expires=True)
# 保存cookie到cookie.txt中
for item in cookie:
print('Name = ' + item.name)
print('Value = ' + item.value)
1. 不同cookie写入文件方法的解释：
FileCookieJar(filename)：创建FileCookieJar实例，检索cookie信息并将信息存储到文件中，filename是文件名。
MozillaCookieJar(filename)：创建与Mozilla cookies.txt文件兼容的FileCookieJar实例。
LWPCookieJar(filename)：创建与libwww-perl Set-Cookie3文件兼容的FileCookieJar实例。
2. save方法的两个参数的官方解释：
ignore_discard: save even cookies set to be discarded. 即使cookies将被丢弃也将它保存下来
ignore_expires: save even cookies that have expiredThe file is overwritten if it already exists.如果在该文件中cookies已经存在，则覆盖原文件写入
3. python3中如果直接使用http.cookiejar.CookieJar(filename)的方式会出错：self._policy._now = self._now = int(time.time()) AttributeError: 'str' object has no attribute '_now'。注意要将CookieJar改为LWPCookieJar。
我们将这两个全部设置为True。运行之后，cookies将被保存到cookie.txt文件中，我们查看一下内容
3）从文件中获取Cookie并访问那么我们已经做到把Cookie保存到文件中了，如果以后想使用，可以利用下面的方法来读取cookie并访问网站，感受一下
import cookielib
import urllib2
cookie = cookielib.MozillaCookieJar()
# 创建MozillaCookieJar实例对象
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
# 从文件中读取cookie内容到变量
req = urllib2.Request("")
# 创建请求的request
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
# 利用urllib2的build_opener方法创建一个opener
response = opener.open(req)
print response.read()
import urllib.request
import urllib.parse
import urllib.error
import http.cookiejar
cookie_filename = 'cookie_jar.txt'
cookie = http.cookiejar.MozillaCookieJar(cookie_filename)
cookie.load(cookie_filename, ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
get_url = '/'
# 利用cookie请求访问另一个网址
get_request = urllib.request.Request(get_url)
get_response = opener.open(get_request)
print(get_response.read().decode())
[爬虫 - cookie登录实战]
设想，如果我们的 cookie.txt 文件中保存的是某个人登录百度的cookie，那么我们提取出这个cookie文件内容，就可以用以上方法模拟这个人的账号登录百度。[爬虫入门六之Cookie的使用]
URL错误处理
URL错误状态码
urlopen会产生一个HTTPError，对应相应的状态吗，HTTP状态码表示HTTP协议所返回的响应的状态。下面将状态码归结如下：
客户端应当继续发送请求。客户端应当继续发送请求的剩余部分，或者如果请求已经完成，忽略这个响应。
在发送完这个响应最后的空行后，服务器将会切换到在Upgrade 消息头中定义的那些协议。只有在切换新的协议更有好处的时候才应该采取类似措施。
102：继续处理
由WebDAV（RFC 2518）扩展的状态码，代表处理将被继续执行。
200：请求成功
处理方式：获得响应的内容，进行处理
201：请求完成，结果是创建了新资源。新创建资源的URI可在响应的实体中得到
处理方式：爬虫中不会遇到
202：请求被接受，但处理尚未完成
处理方式：阻塞等待
204：服务器端已经实现了请求，但是没有返回新的信
息。如果客户是用户代理，则无须为此更新自身的文档视图。
处理方式：丢弃
300：该状态码不被HTTP/1.0的应用程序直接使用，
只是作为3XX类型回应的默认解释。存在多个可用的被请求资源。
处理方式：若程序中能够处理，则进行进一步处理，如果程序中不能处理，则丢弃301：请求到的资源都会分配一个永久的URL，这样就可以在将来通过该URL来访问此资源
处理方式：重定向到分配的URL
302：请求到的资源在一个不同的URL处临时保存
处理方式：重定向到临时的URL
304：请求的资源未更新
处理方式：丢弃
400：非法请求
处理方式：丢弃
401：未授权
处理方式：丢弃
处理方式：丢弃
404：没有找到
处理方式：丢弃
500：服务器内部错误
服务器遇到了一个未曾预料的状况，导致了它无法完成对请求的处理。一般来说，这个问题都会在服务器端的源代码出现错误时出现。
501：服务器无法识别
服务器不支持当前请求所需要的某个功能。当服务器无法识别请求的方法，并且无法支持其对任何资源的请求。
502：错误网关
作为网关或者代理工作的服务器尝试执行请求时，从上游服务器接收到无效的响应。
503：服务出错
由于临时的服务器维护或者过载，服务器当前无法处理请求。这个状况是临时的，并且将在一段时间以后恢复。
HTTPError实例产生后会有一个code属性，这就是是服务器发送的相关错误号。[爬虫入门五之URLError异常处理]
ref: — URL handling modules
阅读(...) 评论()