来源：http://www.blogjava.net/ashutc/archive/2011/03/21/346695.html

    urllib模块提供的上层接口，使我们可以像读取本地文件一样读取www和ftp上的数据。每当使用这个模块的时候，老是会想起公司产品的客户端，同事用C++下载Web上的图片，那种“痛苦”的表情。我以前翻译过libcurl教程，这是在C/C++环 境下比较方便实用的网络操作库，相比起 libcurl，Python的urllib模块的使用门槛则低多了。可能有些人又会用效率来批评Python， 其实在操作网络，或者在集×××互的时候， 语言的执行效率绝不是瓶颈。这种情况下，一个比较好的方法是，将python嵌入到C/C++中，让Python来完成一些不是核心的逻辑处理。又扯远了，废话少说，开始urllib之旅吧~~ （前几天我用这个模块写了个蜘蛛，感兴趣的同学可以在以前的博客中找到代码）
    先看一个例子，这个例子把Google首页的html抓取下来并显示在控制台上：
view plaincopy to clipboardprint?

   1. # 别惊讶，整个程序确实只用了两行代码  
   2. import urllib  
   3. print urllib.urlopen('http://www.google.com').read() 

urllib.urlopen(url[, data[, proxies]]) :

    创建一个表示远程url的类文件对象，然后像本地文件一样操作这个类文件对象来获取远程数据。参数url表示远程数据的路径，一般是网址；参数 data表示以post方式提交到url的数据(玩过web的人应该知道提交数据的两种方式：post与get。如果你不清楚，也不必太在意，一般情况下 很少用到这个参数)；参数proxies用于设置代理（这里不详细讲怎么使用代理，感兴趣的看客可以去翻阅Python手册urllib模块）。 urlopen返回 一个类文件对象，他提供了如下方法：

    *     read() , readline() , readlines() , fileno() , close() ：这些方法的使用方式与文件对象完全一样;
    *     info()：返回一个httplib.HTTPMessage 对象，表示远程服务器返回的头信息；
    *     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；
    *     geturl()：返回请求的url；

    下面来扩充一下上面的例子，看官可以运行一下这个例子，加深对urllib的印象：
view plaincopy to clipboardprint?

   1. google = urllib.urlopen('http://www.google.com')  
   2. print 'http header:\n', google.info()  
   3. print 'http status:', google.getcode()  
   4. print 'url:', google.geturl()  
   5. for line in google: # 就像在操作本地文件  
   6.     print line,  
   7. google.close()  

urllib.urlretrieve(url[, filename[, reporthook[, data]]])：

    urlretrieve方法直接将远程数据下载到本地。参数filename指定了保存到本地的路径（如果未指定该参数，urllib会生成一个 临时文件来保存数据）；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的时候会触发该回调。我们可以利用这个回调 函 数来显示当前的下载进度，下面的例子会展示。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元组 (filename, headers)，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，这个例子将新浪首页的html抓取到本地，保存在D:\sina.html文件中，同时显示下载的进度。
view plaincopy to clipboardprint?

 
  
  1.   1 # -*- coding: utf-8 -*- 
  2.   2 import urllib 
  3.   3 def cbk(a,b,c): 
  4.   4     '''''回调函数 
  5.   5     @a:已经下载的数据快 
  6.   6     @b:数据块的大小 
  7.   7     @c:远程文件的大小 
  8.   8     ''' 
  9.   9     per = 100.0 * a * b / c 
  10.  10     if per > 100: 
  11.  11         per = 100 
  12.  12     print '已下载:%.2f%%' % per 
  13.  13  
  14.  14 url = 'http://www.baidu.com' 
  15.  15 local = '/root/baidu.html' 
  16.  16 urllib.urlretrieve(url,local,cbk) 
  17. ~                                        
 
  


     上面介绍的两个方法是urllib中最常用的方法，这些方法在获取远程数据的时候，内部会使用URLopener或 者 FancyURLOpener类。作为urllib的使用者，我们很少会用到这两个类，这里我不想多讲。如果对urllib的实现感兴趣， 或者希望 urllib支持更多的协议，可以研究这两个类。在Python手册中，urllib的作者还列出了这个模块的缺陷和不足，感兴趣的同学可以打 开 Python手册了解一下。

     urllib中还提供了一些辅助方法，用于对url进行编码、解码。url中是不能出现一些特殊的符号的，有些符号有特殊的用途。我们知道以get方式提交数据的时候，会在url中添加key=value这样的字符串，所以在value中是不允许有'='，因此要对其进行编码；与此同时服务器接收到这些参数的时候，要进行解码，还原成原始的数据。这个时候，这些辅助方法会很有用：

     * urllib.quote(string[, safe])：对字符串进行编码。参数safe指定了不需要编码的字符;
     * urllib.unquote(string) ：对字符串进行解码；
     * urllib.quote_plus(string [ , safe ] ) ：与urllib.quote类似，但这个方法用'+'来替换' '，而quote用'%20'来代替' '
     * urllib.unquote_plus(string ) ：对字符串进行解码；
     * urllib.urlencode(query[, doseq])：将dict或者包含两个元素的元组列表转换成url参数。例如 字典{'name': 'dark-bull', 'age': 200}将被转换为"name=dark-bull&age=200"
     * urllib.pathname2url(path)：将本地路径转换成url路径；
     * urllib.url2pathname(path)：将url路径转换成本地路径；

     用一个例子来体验一下这些方法吧~~：
 view plaincopy to clipboardprint?

    1. data = 'name = ~a+3'  
    2.   
    3. data1 = urllib.quote(data)  
    4. print data1 # result: name%20%3D%20%7Ea%2B3  
    5. print urllib.unquote(data1) # result: name = ~a+3  
    6.   
    7. data2 = urllib.quote_plus(data)  
    8. print data2 # result: name+%3D+%7Ea%2B3  
    9. print urllib.unquote_plus(data2)    # result: name = ~a+3  
   10.   
   11. data3 = urllib.urlencode({ 'name': 'dark-bull', 'age': 200 })  
   12. print data3 # result: age=200&name=dark-bull  
   13.   
   14. data4 = urllib.pathname2url(r'd:\a\b\c\23.php')  
   15. print data4 # result: ///D|/a/b/c/23.php  
  16. print urllib.url2pathname(data4)    # result: D:\a\b\c\23.php  

 data = 'name = ~a+3'

 data1 = urllib.quote(data)
 print data1 # result: name%20%3D%20%7Ea%2B3
 print urllib.unquote(data1) # result: name = ~a+3

 data2 = urllib.quote_plus(data)
 print data2 # result: name+%3D+%7Ea%2B3
 print urllib.unquote_plus(data2)    # result: name = ~a+3

 data3 = urllib.urlencode({ 'name': 'dark-bull', 'age': 200 })
 print data3 # result: age=200&name=dark-bull

 data4 = urllib.pathname2url(r'd:\a\b\c\23.php')
 print data4 # result: ///D|/a/b/c/23.php
print urllib.url2pathname(data4)    # result: D:\a\b\c\23.php
 
  
-----------------------------------------------------------------------------------------------------
 
  
根据以上基础知识，我们来看看下面一篇文章：http://bbs.51cto.com/thread-612810-1.html
 
  
    晚上无事看到了自己在51cto的blog个人信息,于是准备用python试试把它们抓取出来显示到程序里，顺便练练手。对正则式不是很熟，所以字符串解析基本是用python的字符串操作函数库来完成的。
 
  
 
  
 
  
其实原理也很简单，就是从互联网下载博客首页到内存里（保存为文件再读取也是一样），然后查找到
 
  <div class="side_sinfo"> 这个字符串，我分析HTML文件得来的，从这个地方开始，一步一步的解析，最后结果就出来了。

 照例看看预览，直接在控制台完成的：

 
  
 
   
  
 
  
  1. #coding=gbk 
  2. import urllib,re 
  3. from urllib import urlopen 
  4. def searchbloginfo(url): 
  5.         #下载网页到内存 
  6.         webdata = urlopen(blogUrl).read() 
  7.         #标签特征开始位置 
  8.         nPosStart = webdata.find('博客统计信息') 
  9.         #标签特征结束位置 
  10.         nPosEnd     = webdata.find('注册日期：') 
  11.         #分割内容，+24是为了补全部分html 
  12.         userInfoStr = webdata[nPosStart:nPosEnd+24] 
  13.  
  14.  
  15.         nPosStart2 = userInfoStr.find('用户名') 
  16.         userInfoStr = userInfoStr[nPosStart2:nPosEnd+24] 
  17.         #清除部分标签 
  18.         userInfoStr = userInfoStr.replace('<div class="side_sinfo">','') 
  19.         userInfoStr = userInfoStr.replace('<a href="http://51ctoblog.blog.51cto.com/26414/5591" target="_blank" style="text-decoration: underline;">','') 
  20.         userInfoStr = userInfoStr.replace('</a>','') 
  21.         #清除换行 
  22.         userInfoStr = userInfoStr.replace('\n','') 
  23.         #清除空格 
  24.         userInfoStr = userInfoStr.replace(' ','') 
  25.         #按<br>拆分信息 
  26.         userInfoStr = userInfoStr.split('<br>') 
  27.         print "博客个人信息查询:" 
  28.         print "=================" 
  29.         #循环输出 
  30.         for userInfo in userInfoStr: 
  31.                 print userInfo 
  32.  
  33. if __name__=="__main__": 
  34.         running = True 
  35.         while running: 
  36.                 blogUrl = raw_input('请输51cto的blog地址--输入0结束程序：') 
  37.                 if cmp(blogUrl , '0') == 0: 
  38.                         running = False 
  39.                 else: 
  40.                         searchbloginfo(blogUrl)