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。
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。
>>> help(urllib.urlretrieve)
Help on function urlretrieve in module urllib:
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 是一个包含三个参数的回调函数,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。这个函数调用,我们可以任意来定义这个函数的行为,但一定要保证这个函数有三个参数
(1)到目前为此数据块的数量
(2)每个数据块大小,单位的byte,字节
(3)远程文件大小(有时候返回-1)
- 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。
def callback(num,block,data):
"""
@num:(1)到目前为此数据块的数量
@block:(2)每个数据块大小,单位的byte,字节
@data:(3)远程文件大小(有时候返回-1)
"""
down_progress = 100.0*num*block/data
if down_progress>100:
down_progress = 100
print"%.2f%%"%down_progress
url = "http://www.iplaypython.com"
local = "C:\Users\Jiajie\Desktop\iplaypython.html"
urllib.urlretrieve(url,local,callback)
######output######
20%
30%
。。
100%
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。