26

我一直在从特定网站获取 RSS 提要时遇到问题。我最终编写了一个相当丑陋的程序来执行此功能,但我很好奇为什么会发生这种情况以及是否有任何更高级别的接口正确处理此问题。这个问题并不是真正的阻碍,因为我不需要经常检索提要。

我已经阅读了一个捕获异常并返回部分内容的解决方案,但是由于不完整的读取在实际检索到的字节数上有所不同,我不确定这种解决方案是否真的有效。

#!/usr/bin/env python
import os
import sys
import feedparser
from mechanize import Browser
import requests
import urllib2
from httplib import IncompleteRead

url = 'http://hattiesburg.legistar.com/Feed.ashx?M=Calendar&ID=543375&GUID=83d4a09c-6b40-4300-a04b-f88884048d49&Mode=2013&Title=City+of+Hattiesburg%2c+MS+-+Calendar+(2013)'

content = feedparser.parse(url)
if 'bozo_exception' in content:
    print content['bozo_exception']
else:
    print "Success!!"
    sys.exit(0)

print "If you see this, please tell me what happened."

# try using mechanize
b = Browser()
r = b.open(url)
try:
    r.read()
except IncompleteRead, e:
    print "IncompleteRead using mechanize", e

# try using urllib2
r = urllib2.urlopen(url)
try:
    r.read()
except IncompleteRead, e:
    print "IncompleteRead using urllib2", e


# try using requests
try:
    r = requests.request('GET', url)
except IncompleteRead, e:
    print "IncompleteRead using requests", e

# this function is old and I categorized it as ...
# "at least it works darnnit!", but I would really like to 
# learn what's happening.  Please help me put this function into
# eternal rest.
def get_rss_feed(url):
    response = urllib2.urlopen(url)
    read_it = True
    content = ''
    while read_it:
        try:
            content += response.read(1)
        except IncompleteRead:
            read_it = False
    return content, response.info()


content, info = get_rss_feed(url)

feed = feedparser.parse(content)

如前所述,这不是一个关键任务问题,而是一个好奇心,因为即使我可以预期 urllib2 有这个问题,我很惊讶在 mechanize 和 requests 中也遇到了这个错误。feedparser 模块甚至不会抛出错误,因此检查错误取决于是否存在“bozo_exception”键。

编辑:我只想提一下 wget 和 curl 都完美地执行了该功能,每次都能正确检索完整的有效负载。我还没有找到一个纯 python 方法来工作,除了我丑陋的 hack,我很想知道 httplib 后端发生了什么。巧的是,前几天我决定用斜纹布也试试这个,得到了同样的 httplib 错误。

PS 还有一件事也让我觉得很奇怪。IncompleteRead 始终发生在负载中的两个断点之一。似乎 feedparser 和 requests 在读取 926 个字节后失败,但 mechanize 和 urllib2 在读取 1854 个字节后失败。这种行为是一致的,我没有解释或理解。

4

3 回答 3

26

归根结底,所有其他模块(feedparsermechanizeurllib2)都会调用httplib抛出异常的地方。

现在,首先,我还用 wget 下载了这个文件,结果文件是 1854 字节。接下来,我尝试了urllib2

>>> import urllib2
>>> url = 'http://hattiesburg.legistar.com/Feed.ashx?M=Calendar&ID=543375&GUID=83d4a09c-6b40-4300-a04b-f88884048d49&Mode=2013&Title=City+of+Hattiesburg%2c+MS+-+Calendar+(2013)'
>>> f = urllib2.urlopen(url)
>>> f.headers.headers
['Cache-Control: private\r\n',
 'Content-Type: text/xml; charset=utf-8\r\n',
 'Server: Microsoft-IIS/7.5\r\n',
 'X-AspNet-Version: 4.0.30319\r\n',
 'X-Powered-By: ASP.NET\r\n',
 'Date: Mon, 07 Jan 2013 23:21:51 GMT\r\n',
 'Via: 1.1 BC1-ACLD\r\n',
 'Transfer-Encoding: chunked\r\n',
 'Connection: close\r\n']
>>> f.read()
< Full traceback cut >
IncompleteRead: IncompleteRead(1854 bytes read)

所以它正在读取所有 1854 个字节,但随后认为还有更多。如果我们明确告诉它只读取 1854 个字节,它就可以工作:

>>> f = urllib2.urlopen(url)
>>> f.read(1854)
'\xef\xbb\xbf<?xml version="1.0" encoding="utf-8"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">...snip...</rss>'

显然,这只有在我们总是提前知道确切长度时才有用。我们可以使用部分读取作为异常属性返回的事实来捕获全部内容:

>>> try:
...     contents = f.read()
... except httplib.IncompleteRead as e:
...     contents = e.partial
...
>>> print contents
'\xef\xbb\xbf<?xml version="1.0" encoding="utf-8"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">...snip...</rss>'

This blog post表明这是服务器的故障,并描述了如何使用上面httplib.HTTPResponse.read()的块对方法进行猴子修补try..except以处理幕后的事情:

import httplib

def patch_http_response_read(func):
    def inner(*args):
        try:
            return func(*args)
        except httplib.IncompleteRead, e:
            return e.partial

    return inner

httplib.HTTPResponse.read = patch_http_response_read(httplib.HTTPResponse.read)

我应用了补丁然后feedparser开始工作:

>>> import feedparser
>>> url = 'http://hattiesburg.legistar.com/Feed.ashx?M=Calendar&ID=543375&GUID=83d4a09c-6b40-4300-a04b-f88884048d49&Mode=2013&Title=City+of+Hattiesburg%2c+MS+-+Calendar+(2013)'
>>> feedparser.parse(url)
{'bozo': 0,
 'encoding': 'utf-8',
 'entries': ...
 'status': 200,
 'version': 'rss20'}

这不是最好的做事方式,但它似乎有效。我在 HTTP 协议方面不够专业,无法确定服务器是否做错了,或者是否httplib错误处理了边缘情况。

于 2013-01-07T23:41:46.017 回答
7

我发现在我的情况下,发送一个 HTTP/1.0 请求,解决问题,只需将其添加到代码中:

import httplib
httplib.HTTPConnection._http_vsn = 10
httplib.HTTPConnection._http_vsn_str = 'HTTP/1.0'

在我提出要求后:

req = urllib2.Request(url, post, headers)
filedescriptor = urllib2.urlopen(req)
img = filedescriptor.read()

在我回到 http 1.1 之后(对于支持 1.1 的连接):

httplib.HTTPConnection._http_vsn = 11
httplib.HTTPConnection._http_vsn_str = 'HTTP/1.1'
于 2013-12-17T22:14:40.423 回答
0

我已经通过使用 HTTPS 而不是 HTTP 解决了这个问题,并且它工作正常。无需更改代码。

于 2019-03-03T19:55:14.253 回答