python爬虫示例（1）---urlretrieve() 函数使用

下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。

1	>>> help(urllib.urlretrieve)

2	Help on function urlretrieve in module urllib:

3

4	urlretrieve(url, filename=None, reporthook=None, data=None)

• 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。

下面通过例子来演示一下这个方法的使用，这个例子将 google 的 html 抓取到本地，保存在 D:/google.html 文件中，同时显示下载的进度。

01	import urllib

02	def cbk(a, b, c):

03

'''回调函数

04	@a: 已经下载的数据块

05	@b: 数据块的大小

06	@c: 远程文件的大小

07

'''

08	per = 100.0 * a * b / c

09	if per > 100:

10

per = 100

11	print '%.2f%%' % per

12

13	url = 'http://www.google.com'

14	local = 'd://google.html'

15	urllib.urlretrieve(url, local, cbk)

在 Python Shell 里执行如下：

01	Python 2.7.5 (default, May 15 2013, 22:44:16) [MSC v.1500 64 bit (AMD64)] on win32

02	Type "copyright", "credits" or "license()" for more information.

03	>>> import urllib

04	>>> def cbk(a, b, c):

05

'''回调函数

06	@a: 已经下载的数据块

07	@b: 数据块的大小

08	@c: 远程文件的大小

09

'''

10	per = 100.0 * a * b / c

11	if per > 100:

12

per = 100

13	print '%.2f%%' % per

14

15

16	>>> url = 'http://www.google.com'

17	>>> local = 'd://google.html'

18	>>> urllib.urlretrieve(url, local, cbk)

19

-0.00%

20	-819200.00%

21	-1638400.00%

22	-2457600.00%

23	('d://google.html', <httplib.HTTPMessage instance at 0x0000000003450608>)

24

>>>

下面是 urlretrieve() 下载文件实例，可以显示下载进度。

01	#!/usr/bin/python

02	#encoding:utf-8

03	import urllib

04

import os

05	def Schedule(a,b,c):

06

'''''

07	a:已经下载的数据块

08

b:数据块的大小

09

c:远程文件的大小

10

'''

11	per = 100.0 * a * b / c

12	if per > 100 :

13

per = 100

14	print '%.2f%%' % per

15	url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'

16	#local = url.split('/')[-1]

17	local = os.path.join('/data/software','Python-2.7.5.tar.bz2')

18	urllib.urlretrieve(url,local,Schedule)

19	######output######

20

#0.00%

21

#0.07%

22

#0.13%

23

#0.20%

24

#....

25

#99.94%

26

#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。

#爬去百度贴吧某图片

#爬取百度贴吧一些小图片
#urllib.urlretriev---将远程数据下载到本地
import urllib
import urllib2
import re

#http://tieba.baidu.com/p/3868127254
a = raw_input('inpt url:')
s = urllib2.urlopen(a)
s1 = s.read()

def getimg(aaa):
        reg = re.compile(r'img.src="(.*?)"')
        #reg = re.compile(r'<title>')
        l = re.findall(reg, aaa)
        tmp =0
        for x in l:
                tmp += 1
                urllib.urlretrieve(x, '%s.jpg' % tmp)

#print s1
getimg(s1)