【Python】Python的urllib模块、urllib2模块批量进行网页下载文件

由于需要从某个网页上下载一些PDF文件，但是需要下载的PDF文件有几百个，所以不可能用人工点击来下载。正好Python有相关的模块，所以写了个程序来进行PDF文件的下载，顺便熟悉了Python的urllib模块和ulrllib2模块。

1、问题描述

需要从http://www.cvpapers.com/cvpr2014.html上下载几百个论文的PDF文件，该网页如下图所示：

2、问题解决

通过结合Python的urllib模块和urllib2模块来实现自动下载。代码如下：

test.py

    #!/usr/bin/python 
    # -*- coding:utf-8 -*- 
     
    import urllib              #导入urllib模块 
    import urllib2             #导入urllib2模块 
    import re               #导入正则表达式模块：re模块 
     
    def getPDFFromNet(inputURL): 
      req = urllib2.Request(inputURL) 
      f = urllib2.urlopen(req)         #打开网页 
      localDir = 'E:\downloadPDF\\'        #下载PDF文件需要存储在本地的文件夹 
      urlList = []            #用来存储提取的PDF下载的url的列表 
      for eachLine in f:          #遍历网页的每一行 
        line = eachLine.strip()       #去除行首位的空格，习惯性写法 
        if re.match('.*PDF.*', line):      #去匹配含有“PDF”字符串的行，只有这些行才有PDF下载地址 
          wordList = line.split('\"')    #以"为分界，将该行分开，这样就将url地址单独分开了 
          for word in wordList:      #遍历每个字符串 
            if re.match('.*\.pdf$', word): #去匹配含有“.pdf”的字符串，只有url中才有 
              urlList.append(word)  #将提取的url存入列表 
      for everyURL in urlList:         #遍历列表的每一项，即每一个PDF的url 
        wordItems = everyURL.split('/')     #将url以/为界进行划分，为了提取该PDF文件名 
        for item in wordItems:       #遍历每个字符串 
          if re.match('.*\.pdf$', item):   #查找PDF的文件名 
            PDFName = item     #查找到PDF文件名 
        localPDF = localDir + PDFName      #将本地存储目录和需要提取的PDF文件名进行连接 
        try:            
          urllib.urlretrieve(everyURL, localPDF) #按照url进行下载，并以其文件名存储到本地目录 
        except Exception,e: 
          continue 
     
    getPDFFromNet('http://www.cvpapers.com/cvpr2014.html') 

注意：

（1）第1、6、8、23行分别多谢了一个“\”来进行转义；

（2）第27行的urlretrieve函数有3个参数：第一个参数就是目标url；第二个参数是保存的文件绝对路径(含文件名)，该函数的返回值是一个tuple(filename,header)，其中的filename就是第二个参数filename。如果urlretrieve仅提供1个参数,返回值的filename就是产生的临时文件名,函数执行完毕后该临时文件会被删除参数。第3个参数是一个回调函数，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。其中回调函数名称可任意，但是参数必须为三个。一般直接使用reporthook(block_read,block_size,total_size)定义回调函数，block_size是每次读取的数据块的大小，block_read是每次读取的数据块个数，taotal_size是一一共读取的数据量，单位是byte。可以使用reporthook函数来显示读取进度。
如果想显示读取进度，则可以讲第三个参数加上，将上述程序第27行改为如下：

    urllib.urlretrieve(everyURL, localPDF, reporthook=reporthook) 

而reporthook回调函数的代码如下：

    def reporthook(block_read,block_size,total_size): 
     if not block_read: 
     print "connection opened"; 
     return 
     if total_size<0: 
     #unknown size 
     print "read %d blocks (%dbytes)" %(block_read,block_read*block_size); 
     else: 
     amount_read=block_read*block_size; 
     print 'Read %d blocks,or %d/%d' %(block_read,block_read*block_size,total_size); 

综上所述，这就是一个简单的从网页抓取数据、下载文件的小程序，希望对正在学习Python的同学有帮助。谢谢！