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 # -*- coding: utf-8 -*-
- 2 import urllib
- 3 def cbk(a,b,c):
- 4 '''''回调函数
- 5 @a:已经下载的数据快
- 6 @b:数据块的大小
- 7 @c:远程文件的大小
- 8 '''
- 9 per = 100.0 * a * b / c
- 10 if per > 100:
- 11 per = 100
- 12 print '已下载:%.2f%%' % per
- 13
- 14 url = 'http://www.baidu.com'
- 15 local = '/root/baidu.html'
- 16 urllib.urlretrieve(url,local,cbk)
- ~
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:
![](https://i-blog.csdnimg.cn/blog_migrate/a0fdd542d6919594601e459a5a55c82f.jpeg)
- #coding=gbk
- import urllib,re
- from urllib import urlopen
- def searchbloginfo(url):
- #下载网页到内存
- webdata = urlopen(blogUrl).read()
- #标签特征开始位置
- nPosStart = webdata.find('博客统计信息')
- #标签特征结束位置
- nPosEnd = webdata.find('注册日期:')
- #分割内容,+24是为了补全部分html
- userInfoStr = webdata[nPosStart:nPosEnd+24]
- nPosStart2 = userInfoStr.find('用户名')
- userInfoStr = userInfoStr[nPosStart2:nPosEnd+24]
- #清除部分标签
- userInfoStr = userInfoStr.replace('<div class="side_sinfo">','')
- userInfoStr = userInfoStr.replace('<a href="http://51ctoblog.blog.51cto.com/26414/5591" target="_blank" style="text-decoration: underline;">','')
- userInfoStr = userInfoStr.replace('</a>','')
- #清除换行
- userInfoStr = userInfoStr.replace('\n','')
- #清除空格
- userInfoStr = userInfoStr.replace(' ','')
- #按<br>拆分信息
- userInfoStr = userInfoStr.split('<br>')
- print "博客个人信息查询:"
- print "================="
- #循环输出
- for userInfo in userInfoStr:
- print userInfo
- if __name__=="__main__":
- running = True
- while running:
- blogUrl = raw_input('请输51cto的blog地址--输入0结束程序:')
- if cmp(blogUrl , '0') == 0:
- running = False
- else:
- searchbloginfo(blogUrl)
转载于:https://blog.51cto.com/pstary/655510