Python中的urllib模块使用详解


Posted in Python onJuly 07, 2015

urllib模块提供的上层接口,使我们可以像读取本地文件一样读取www和ftp上的数据。每当使用这个模块的时候,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。我以前翻译过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,或者在集群交互的时候, 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。又扯远了,废话少说,开始urllib之旅吧~~ (前几天我用这个模块写了个蜘蛛,感兴趣的同学可以在以前的博客中找到代码)

先看一个例子,这个例子把Google首页的html抓取下来并显示在控制台上:

# 别惊讶,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。如果你不清楚,也不必太在意,一般情况下很少用到这个参数);参数proxies用于设置代理(这里不详细讲怎么使用代理,感兴趣的看客可以去翻阅Python手册urllib模块)。urlopen返回 一个类文件对象,他提供了如下方法:

  •         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;

下面来扩充一下上面的例子,看官可以运行一下这个例子,加深对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的时候会触发该回调。我们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。下面通过例子来演示一下这个方法的使用,这个例子将新浪首页的html抓取到本地,保存在D:/sina.html文件中,同时显示下载的进度。

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)

上面介绍的两个方法是urllib中最常用的方法,这些方法在获取远程数据的时候,内部会使用URLopener或者 FancyURLOpener类。作为urllib的使用者,我们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, 或者希望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,感兴趣的同学可以打开 Python手册了解一下。

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。我们知道以get方式提交数据的时候,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的时候,要进行解码,还原成原始的数据。这个时候,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;

用一个例子来体验一下这些方法吧~~:

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,就这么简单。oh~~yeah~~又一个模块写完了,想想,我已经写了将近30个模块了,有时间我要好好整理一下@@@@

Python 相关文章推荐
pycharm 使用心得(七)一些实用功能介绍
Jun 06 Python
在Python中使用cookielib和urllib2配合PyQuery抓取网页信息
Apr 25 Python
使用SAE部署Python运行环境的教程
May 05 Python
python使用两种发邮件的方式smtp和outlook示例
Jun 02 Python
python中实现指定时间调用函数示例代码
Sep 08 Python
python中使用%与.format格式化文本方法解析
Dec 27 Python
Python使用win32 COM实现Excel的写入与保存功能示例
May 03 Python
pandas pivot_table() 按日期分多列数据的方法
Nov 16 Python
python 实现语音聊天机器人的示例代码
Dec 02 Python
django 使用 PIL 压缩图片的例子
Aug 16 Python
python小白切忌乱用表达式
May 29 Python
python3操作redis实现List列表实例
Aug 04 Python
Python实现图像几何变换
Jul 06 #Python
Python统计日志中每个IP出现次数的方法
Jul 06 #Python
python统计日志ip访问数的方法
Jul 06 #Python
python检查指定文件是否存在的方法
Jul 06 #Python
python转换字符串为摩尔斯电码的方法
Jul 06 #Python
python实现文件路径和url相互转换的方法
Jul 06 #Python
详解Python中的Cookie模块使用
Jul 06 #Python
You might like
浅析关于PHP位运算的简单权限设计
2013/06/30 PHP
PHP命名空间(Namespace)简明教程
2014/06/11 PHP
浅谈javascript回调函数
2014/12/07 Javascript
简介JavaScript中search()方法的使用
2015/06/06 Javascript
简述JavaScript的正则表达式中test()方法的使用
2015/06/16 Javascript
JavaScript实现弹出DIV层同时页面背景渐变成半透明效果
2016/03/25 Javascript
jQuery文字提示与图片提示效果实现方法
2016/07/04 Javascript
使用jQuery Ajax 请求webservice来实现更简练的Ajax
2016/08/04 Javascript
新入门node.js必须要知道的概念(必看篇)
2016/08/10 Javascript
BootStrap入门教程(一)之可视化布局
2016/09/19 Javascript
详解react如何在组件中获取路由参数
2017/06/15 Javascript
教你使用vue-cli快速构建的小说阅读器
2019/05/13 Javascript
使用p5.js临摹动态图片
2019/11/04 Javascript
JS实现点餐自动选择框(案例分析)
2019/12/10 Javascript
vue实现图片上传功能
2020/05/28 Javascript
JavaScript 异步时序问题
2020/11/20 Javascript
两个使用Python脚本操作文件的小示例分享
2015/08/27 Python
python logging 日志轮转文件不删除问题的解决方法
2016/08/02 Python
Python爬虫:通过关键字爬取百度图片
2017/02/17 Python
详解python持久化文件读写
2019/04/06 Python
django迁移数据库错误问题解决
2019/07/29 Python
Django如何实现上传图片功能
2019/08/16 Python
Python序列化与反序列化pickle用法实例
2019/11/11 Python
Pytorch上下采样函数--interpolate用法
2020/07/07 Python
Python常用扩展插件使用教程解析
2020/11/02 Python
经济学博士求职自荐信范文
2013/11/23 职场文书
培训演讲稿范文
2014/01/12 职场文书
外联部演讲稿
2014/05/24 职场文书
2014年秋季开学典礼致辞
2014/08/02 职场文书
歌咏比赛主持词
2015/06/29 职场文书
“5.12”护士节主持词
2015/07/04 职场文书
python基础之爬虫入门
2021/05/10 Python
PyTorch梯度裁剪避免训练loss nan的操作
2021/05/24 Python
比较几种Redis集群方案
2021/06/21 Redis
「玫瑰之王的葬礼」舞台剧主视觉图公开
2022/03/21 日漫
Android Canvas绘制文字横纵向对齐
2022/06/05 Java/Android