Python模組學習 — urllib

文章目錄

• urllib.urlopen(url[, data[, proxies]]) :
• urllib.urlretrieve(url[, filename[, reporthook[, data]]])：

    urllib模組提供的上層介面，使我們可以像讀取本地檔案一樣讀取www和ftp上的資料。每當使用這個模組的時候，老是會想起公司產品的用戶端，同事用C++下載Web上的圖片，那種“痛苦”的表情。我以前翻譯過libcurl教程，這是在C/C++環境下比較方便實用的網路操作庫，相比起libcurl，Python的urllib模組的使用門檻則低多了。可能有些人又會用效率來批評Python，其實在操作網路，或者在叢集互動的時候， 語言的執行效率絕不是瓶頸。這種情況下，一個比較好的方法是，將python嵌入到C/C++中，讓Python來完成一些不是核心的邏輯處理。又扯遠了，廢話少說，開始urllib之旅吧~~ （前幾天我用這個模組寫了個蜘蛛，感興趣的同學可以在以前的部落格中找到代碼）

    先看一個例子，這個例子把Google首頁的html抓取下來並顯示在控制台上：

# 別驚訝，整個程式確實只用了兩行代碼import urllibprint urllib.urlopen('http://www.google.com').read()

urllib.urlopen(url[, data[, proxies]]) :

    建立一個表示遠程url的類檔案對象，然後像本地檔案一樣操作這個類檔案對象來擷取遠端資料。參數url表示遠端資料的路徑，一般是網址；參數data表示以post方式提交到url的資料(玩過web的人應該知道提交資料的兩種方式：post與get。如果你不清楚，也不必太在意，一般情況下很少用到這個參數)；參數proxies用於設定代理（這裡不詳細講怎麼使用代理，感興趣的看客可以去翻閱Python手冊urllib模組）。urlopen返回 一個類檔案對象，他提供了如下方法：

•     read()
  , readline()
  , readlines()
  , fileno()
  , close()
  ：這些方法的使用方式與檔案對象完全一樣;
•     info()：返回一個httplib.HTTPMessage
  對象，表示遠程伺服器返回的頭資訊；
•     getcode()：返回Http狀態代碼。如果是http請求，200表示請求成功完成;404表示網址未找到；
•     geturl()：返回請求的url；

    下面來擴充一下上面的例子，看官可以運行一下這個例子，加深對urllib的印象：

google = urllib.urlopen('http://www.google.com')print 'http header:/n', google.info()print 'http status:', google.getcode()print 'url:', google.geturl()for line in google: # 就像在操作本地檔案    print line,google.close()

urllib.urlretrieve(url[, filename[, reporthook[, data]]])：

    urlretrieve方法直接將遠端資料下載到本地。參數filename指定了儲存到本地的路徑（如果未指定該參數，urllib會產生一個臨時檔案來儲存資料）；參數reporthook是一個回呼函數，當串連上伺服器、以及相應的資料區塊傳輸完畢的時候會觸發該回調。我們可以利用這個回調函 數來顯示當前的下載進度，下面的例子會展示。參數data指post到伺服器的資料。該方法返回一個包含兩個元素的元組(filename, headers)，filename表示儲存到本地的路徑，header表示伺服器的回應標頭。下面通過例子來示範一下這個方法的使用，這個例子將新浪首頁的html抓取到本地，儲存在D:/sina.html檔案中，同時顯示下載的進度。

def cbk(a, b, c):    '''回呼函數    @a: 已經下載的資料區塊    @b: 資料區塊的大小    @c: 遠程檔案的大小    '''    per = 100.0 * a * b / c    if per > 100:        per = 100    print '%.2f%%' % perurl = 'http://www.sina.com.cn'local = 'd://sina.html'urllib.urlretrieve(url, local, cbk)

    上面介紹的兩個方法是urllib中最常用的方法，這些方法在擷取遠端資料的時候，內部會使用URLopener或者 FancyURLOpener類。作為urllib的使用者，我們很少會用到這兩個類，這裡我不想多講。如果對urllib的實現感興趣， 或者希望urllib支援更多的協議，可以研究這兩個類。在Python手冊中，urllib的作者還列出了這個模組的缺陷和不足，感興趣的同學可以開啟 Python手冊瞭解一下。

    urllib中還提供了一些輔助方法，用於對url進行編碼、解碼。url中是不能出現一些特殊的符號的，有些符號有特殊的用途。我們知道以get方式提交資料的時候，會在url中添加key=value這樣的字串，所以在value中是不允許有'='，因此要對其進行編碼；與此同時伺服器接收到這些參數的時候，要進行解碼，還原成原始的資料。這個時候，這些輔助方法會很有用：

• urllib.quote(string[, safe])：對字串進行編碼。參數safe指定了不需要編碼的字元;
• urllib.unquote(string) ：對字串進行解碼；
• urllib.quote_plus(string
  [
  , safe
  ]
  ) ：與urllib.quote類似，但這個方法用'+'來替換' '，而quote用'%20'來代替' '
• urllib.unquote_plus(string
  ) ：對字串進行解碼；
• urllib.urlencode(query[, doseq])：將dict或者包含兩個元素的元組列錶轉換成url參數。例如 字典{'name': 'dark-bull', 'age': 200}將被轉換為"name=dark-bull&age=200"
• urllib.pathname2url(path)：將本地路徑轉換成url路徑；
• urllib.url2pathname(path)：將url路徑轉換成本地路徑；

    用一個例子來體驗一下這些方法吧~~：

data = 'name = ~a+3'data1 = urllib.quote(data)print data1 # result: name%20%3D%20%7Ea%2B3print urllib.unquote(data1) # result: name = ~a+3data2 = urllib.quote_plus(data)print data2 # result: name+%3D+%7Ea%2B3print urllib.unquote_plus(data2)    # result: name = ~a+3data3 = urllib.urlencode({ 'name': 'dark-bull', 'age': 200 })print data3 # result: age=200&name=dark-bulldata4 = urllib.pathname2url(r'd:/a/b/c/23.php')print data4 # result: ///D|/a/b/c/23.phpprint urllib.url2pathname(data4)    # result: D:/a/b/c/23.php

    urllib模組的基本使用，就這麼簡單。oh~~yeah~~又一個模組寫完了，想想，我已經寫了將近30個模組了，有時間我要好好整理一下@@@@