Python学习笔记五
- 2020 年 1 月 9 日
- 筆記
Python urllib模块提供了一个从指定的URL地址获取网页数据，然后对其进行分析处理，获取想要的数据。 1.查看urllib模块提供的urlopen函数。
help(urllib.urlopen) urlopen(url, data=None, proxies=None) Create a file-like object for the specified URL to read from.
创建一个类文件对象为指定的url来读取。
参数url表示远程数据的路径，一般是http或者ftp路径。 参数data表示以get或者post方式提交到url的数据。 参数proxies表示用于代理的设置。
Python通过urlopen函数来获取html数据，下面通过函数getUrl()将百度首页显示到显示器上面。
#encoding:utf-8 import urllib def getUrl(url): page = urllib.urlopen(url) html = page.read() print html getUrl('http://www.baidu.com')
urlopen返回一个类文件对象，它提供了如下方法： 1）read() , readline() , readlines()，fileno()和close()： 这些方法的使用与文件对象完全一样。 2）info()：返回一个httplib.HTTPMessage 对象，表示远程服务器返回的头信息。 3）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。 4）geturl()：返回请求的url地址。
urlopen方法实例：
#!/usr/bin/python #encoding:utf-8 import urllib baidu = urllib.urlopen('http://www.baidu.com') print 'http header:n',baidu.info() print 'http status:',baidu.getcode() print 'url:',baidu.geturl() for line in baidu: print line, baidu.close() ########output######## #http header: #http status: 200 #url: http://www.baidu.com #baidu home page
2.查看urllibe模块提供的urlretrieve函数。
help(urllib.urlretrieve) urlretrieve(url, filename=None, reporthook=None, data=None)
urlretrieve方法直接将远程数据下载到本地。 参数finename指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。） 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，我们可以利用这个回调函数来显示当前的下载进度。 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(filename, headers)元组，filename表示保存到本地的路径，header表示服务器的响应头。 urlretrieve方法下载文件实例，可以显示下载进度。
#!/usr/bin/python #encoding:utf-8 import urllib import os def Schedule(a,b,c): ''''' 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.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2' #local = url.split('/')[-1] local = os.path.join('/data/software','Python-2.7.5.tar.bz2') urllib.urlretrieve(url,local,Schedule) ######output###### #0.00% #0.07% #0.13% #0.20% #.... #99.94% #100.00%
通过上面的练习可以知道，urlopen可以轻松获取远端html页面信息，然后通过python正则对所需要的数据进行分析，匹配出想要用的数据，在利用urlretrieve将数据下载到本地。对于访问受限或者对连接数有限制的远程url地址可以采用proxies（代理的方式）连接，如果远程数据量过大，单线程下载太慢的话可以采用多线程下载，这个就是传说中的爬虫。
