使用 httplib 进行不完整读取

我在从特定网站获取 RSS 提要时一直遇到问题。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更高级别的接口正确处理此问题。这个问题并不是真正的问题，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，但由于不完整的读取与实际检索的字节数不同，我不确定这样的解决方案是否真正有效。

#!/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，因为尽管我可以预期 urllib2 会出现此问题，但令我惊讶的是，在 mechanize 和 requests 中也遇到了此错误。 feedparser 模块甚至不会抛出错误，因此检查错误取决于“bozo_exception”键是否存在。

编辑：我只是想提一下，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。除了我丑陋的 hack 之外，我还没有找到一个纯粹的 python 方法来工作，而且我非常想知道 httplib 后端发生了什么。出于好奇，我决定前几天也用斜纹布尝试一下，并得到相同的 httplib 错误。

附：还有一件事也让我觉得很奇怪。 IncompleteRead 在有效负载中的两个断点之一处一致发生。看起来 feedparser 和 requests 在读取 926 字节后失败，而 mechanize 和 urllib2 在读取 1854 字节后失败。这种行为是一致的，我没有得到解释或理解。

归根结底，所有其他模块（feedparser, mechanize, and urllib2) call httplib这是抛出异常的地方。

现在，首先，我还使用 wget 下载了这个文件，生成的文件有 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)

因此它正在读取所有 1854 个字节，但随后认为还有更多字节。如果我们明确告诉它只读取 1854 字节，它就会起作用：

>>> 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，只有当我们总是提前知道确切的长度时，这才有用。我们可以使用部分读取作为异常的属性返回的事实来捕获整个内容：

>>> 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>'

这篇博文 http://bobrochel.blogspot.co.nz/2010/11/bad-servers-chunked-encoding-and.html表明这是服务器的故障，并描述了如何对服务器进行猴子修补httplib.HTTPResponse.read()方法与try..except上面的块来处理幕后的事情：

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 worked:

>>> 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，但似乎很有效。我在 HTTP 协议方面不够专业，无法确定服务器是否做错了事情，或者是否httplib错误地处理了边缘情况。