5

我使用以下 python 代码下载了 html 页面:

response = urllib2.urlopen(current_URL)
msg = response.read()  
print msg

对于像这样的页面,它打开 url 时不会出错,但随后只打印 html 页面的一部分!

在以下几行中,您可以找到 html 页面的 http 标头。我认为问题是由于“传输编码:分块”。

似乎 urllib2 只返回第一个块!我在阅读剩余的部分时遇到了困难。我如何读取剩余的块?

Server: nginx/1.0.5
Date: Wed, 27 Feb 2013 14:41:28 GMT
Content-Type: text/html;charset=UTF-8
Transfer-Encoding: chunked
Connection: close
Set-Cookie: route=c65b16937621878dd49065d7d58047b2; Path=/
Set-Cookie: JSESSIONID=EE18E813EE464664EA64086D5AE9A290.tpdjo13v_3; Path=/
Pragma: No-cache
Cache-Control: no-cache,no-store,max-age=0
Expires: Thu, 01 Jan 1970 00:00:00 GMT
Vary: Accept-Encoding
Content-Language: fr
4

1 回答 1

0

我发现如果我指定了 Accept-Language 标头,则服务器不会丢弃 TCP 连接,否则会。

curl -H "Accept-Language:uk,en-US;q=0.8,en;q=0.6,ru;q=0.4" -v 'http://www.legifrance.gouv.fr/affichJuriJudi.do?oldAction=rechJuriJudi&idTexte=JURITEXT000024053954&fastReqId=660326373&fastPos=1'
于 2013-08-12T17:06:35.223 回答