Python模块教程之urllib

发布时间:2019-07-28编辑:脚本学堂
介绍下python模块 urllib的用法,分享几个python urllib模块的例子,供大家学习参考。

本节内容:
python/urllib/ target=_blank class=infotextkey>python urllib模块的用法。

urllib模块提供的上层接口,可以像读取本地文件一样读取www和ftp上的数据。每当使用这个模块时,老是会想起公司产品的客户端,同事用C++下载Web上的图片,那种“痛苦”的表情。

以前翻译过libcurl教程,这是在C/C++环境下比较方便实用的网络操作库,相比起libcurl,Python的urllib模块的使用门槛则低多了。可能有些人又会用效率来批评Python,其实在操作网络,或者在集群交互时, 语言的执行效率绝不是瓶颈。

这种情况下,一个比较好的方法是,将python嵌入到C/C++中,让Python来完成一些不是核心的逻辑处理。

注:前几天用这个模块写了个蜘蛛,有需要的朋友可以看看。

例子,把Google首页的html抓取下来并显示在控制台上:
 

复制代码 代码示例:
# 整个程序确实只用了两行代码 
import urllib 
print urllib.urlopen('http://www.google.com').read() 
 

urllib.urlopen(url[, data[, proxies]])
创建一个表示远程url的类文件对象,然后像本地文件一样操作这个类文件对象来获取远程数据。参数url表示远程数据的路径,一般是网址;参数data表示以post方式提交到url的数据(玩过web的人应该知道提交数据的两种方式:post与get。一般情况下很少用到这个参数);参数proxies用于设置代理(用法请翻阅Python手册urllib模块)。
urlopen返回 一个类文件对象,提供了如下方法:
read() , readline() , readlines() , fileno() , close() :这些方法的使用方式与文件对象完全一样;
info():返回一个httplib.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表示请求成功完成;404表示网址未找到;
geturl():返回请求的url;

扩充下上面的例子,大家可以运行一下这个例子,加深对urllib的印象:
 

复制代码 代码示例:
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: # 就像在操作本地文件 
    print line, 
google.close() 
 

urllib.urlretrieve(url[, filename[, reporthook[, data]]])
urlretrieve方法直接将远程数据下载到本地。参数filename指定了保存到本地的路径(如果未指定该参数,urllib会生成一个临时文件来保存数据);参数reporthook是一个回调函数,当连接上服务器、以及相应的数据块传输完毕时会触发该回调。

可以利用这个回调函 数来显示当前的下载进度,下面的例子会展示。参数data指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers),filename表示保存到本地的路径,header表示服务器的响应头。

例子,演示这个方法的使用,将新浪首页的html抓取到本地,保存在D:/sina.html文件中,同时显示下载的进度。
 

复制代码 代码示例:
def cbk(a, b, c): 
    '''''回调函数
    @a: 已经下载的数据块
    @b: 数据块的大小
    @c: 远程文件的大小
    ''' 
    per = 100.0 * a * b / c 
    if per > 100: 
        per = 100 
    print '%.2f%%' % per 
 
url = 'http://www.sina.com.cn' 
local = 'd://sina.html' 
urllib.urlretrieve(url, local, cbk) 

以上介绍的两个方法是urllib中最常用的方法,这些方法在获取远程数据时,内部会使用URLopener或者 FancyURLOpener类。
作为urllib的使用者,很少会用到这两个类,这里我不想多讲。

如果对urllib的实现感兴趣, 或希望urllib支持更多的协议,可以研究这两个类。
在Python手册中,urllib的作者还列出了这个模块的缺陷和不足。

urllib中还提供了一些辅助方法,用于对url进行编码、解码。

url中是不能出现一些特殊的符号的,有些符号有特殊的用途。

以get方式提交数据时,会在url中添加key=value这样的字符串,所以在value中是不允许有'=',因此要对其进行编码;
与此同时服务器接收到这些参数时,要进行解码,还原成原始的数据。

此时,这些辅助方法会很有用:
 

urllib.quote(string[, safe]):对字符串进行编码。参数safe指定了不需要编码的字符;
urllib.unquote(string) :对字符串进行解码;
urllib.quote_plus(string [ , safe ] ) :与urllib.quote类似,但这个方法用'+'来替换' ',而quote用'%20'来代替' '
urllib.unquote_plus(string ) :对字符串进行解码;
urllib.urlencode(query[, doseq]):将dict或者包含两个元素的元组列表转换成url参数。例如 字典{'name': 'dark-bull', 'age': 200}将被转换为"name=dark-bull&age=200"
urllib.pathname2url(path):将本地路径转换成url路径;
urllib.url2pathname(path):将url路径转换成本地路径;

例子:
 

复制代码 代码示例:
data = 'name = ~a+3' 
 
data1 = urllib.quote(data) 
print data1 # result: name%20%3D%20%7Ea%2B3 
print urllib.unquote(data1) # result: name = ~a+3 
 
data2 = urllib.quote_plus(data) 
print data2 # result: name+%3D+%7Ea%2B3 
print urllib.unquote_plus(data2)    # result: name = ~a+3 
 
data3 = urllib.urlencode({ 'name': 'dark-bull', 'age': 200 }) 
print data3 # result: age=200&name=dark-bull 
 
data4 = urllib.pathname2url(r'd:/a/b/c/23.php') 
print data4 # result: ///D|/a/b/c/23.php 
print urllib.url2pathname(data4)    # result: D:/a/b/c/23.php 

urllib模块的基本使用就为大家介绍完了,python urllib模块可用的地方很多,建议大家牢固掌握。