python 爬虫（二）一个带下载进度的网页抓取小爬虫

 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。

>>> 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。