Python网页抓取urllib,urllib2,httplib

最新推荐文章于 2024-07-19 16:36:18 发布

weixin_33726943

最新推荐文章于 2024-07-19 16:36:18 发布

阅读量90

点赞数

文章标签： python json

原文链接：https://my.oschina.net/cqlcql/blog/680709

版权

为什么80%的码农都做不了架构师？>>>

前阶段使用到ftp，写了个工具脚本http://blog.csdn.net/wklken/article/details/7059423

最近需要抓网页，看了下Python抓取方式

需求：抓取网页，解析获取内容

涉及库：【重点urllib2】

urllib http://docs.python.org/library/urllib.html

urllib2 http://docs.python.org/library/urllib2.html

httplib http://docs.python.org/library/httplib.html

使用urllib:

1. 抓取网页信息

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

url: 表示远程数据的路径
data: 以post方式提交到url的数据
proxies:用于设置代理
urlopen返回对象提供方法：
-         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请求成功完成;404网址未找到
-         geturl()：返回请求的url

使用：

#!/usr/bin/python  
# -*- coding:utf-8 -*-  
# urllib_test.py  
# author:wklken  
# 2012-03-17  wklken#yeah.net   
  
import os  
import urllib  
url = "http://www.siteurl.com"  
  
def use_urllib():  
  import urllib, httplib  
  httplib.HTTPConnection.debuglevel = 1   
  page = urllib.urlopen(url)  
  print "status:", page.getcode() #200请求成功,404  
  print "url:", page.geturl()  
  print "head_info:\n",  page.info()  
  print "Content len:", len(page.read())

附带的其他方法：（主要是url编码解码）

-         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': 'wklken', 'pwd': '123'}将被转换为"name=wklken&pwd=123"
-         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

使用：

def urllib_other_functions():  
  astr = urllib.quote('this is "K"')  
  print astr  
  print urllib.unquote(astr)  
  bstr = urllib.quote_plus('this is "K"')  
  print bstr  
  print urllib.unquote(bstr)  
  
  params = {"a":"1", "b":"2"}  
  print urllib.urlencode(params)  
  
  l2u = urllib.pathname2url(r'd:\a\test.py')  
  print l2u   
  print urllib.url2pathname(l2u)

2.下载远程数据

urlretrieve方法直接将远程数据下载到本地

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

filename指定保存到本地的路径（若未指定该，urllib生成一个临时文件保存数据）
reporthook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
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。

def  callback_f(downloaded_size, block_size, romote_total_size):
  per = 100.0 * downloaded_size * block_size / romote_total_size
  if per > 100:
    per = 100 
  print "%.2f%%"% per 

def use_urllib_retrieve():
  import urllib
  local = os.path.join(os.path.abspath("./"), "a.html")
  print local
  urllib.urlretrieve(url,local,callback_f)

转载请注明出处：http://blog.csdn.net/wklken

3.Python urllib2 的更多使用细节

这里总结了一些 urllib2 的使用细节。

Proxy 的设置
Timeout 设置
在 HTTP Request 中加入特定的 Header
Redirect
Cookie
使用 HTTP 的 PUT 和 DELETE 方法
得到 HTTP 的返回码
Debug Log

Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用：

import urllib2

enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})

if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)

urllib2.install_opener(opener)

要加入 header，需要使用 Request 对象：这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 设置

老版 Python，urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。
在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2
import socket

socket.setdefaulttimeout(10) # 10 秒钟后超时
urllib2.socket.setdefaulttimeout(10) # 另一种方式
# ----------------
import urllib2
response = urllib2.urlopen('http://www.google.com', timeout=10)

在 HTTP Request 中加入特定的 Header

import urllib2

request = urllib2.Request(uri)
request.add_header('User-Agent', 'fake-client')
response = urllib2.urlopen(request)

Redirect对有些 header 要特别留意，服务器会针对这些 header 做检查：

User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求。
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。常见的取值有：
- application/xml ：在 XML RPC，如 RESTful/SOAP 调用时使用
- application/json ：在 JSON RPC 调用时使用
- application/x-www-form-urlencoded ：浏览器提交 Web 表单时使用

在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作，无需人工配置。要检测是否发生了 redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

import urllib2
response = urllib2.urlopen('http://www.google.cn')
redirected = response.geturl() == 'http://www.google.cn'

如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义 HTTPRedirectHandler 类。

import urllib2

class RedirectHandler(urllib2.HTTPRedirectHandler):
    def http_error_301(self, req, fp, code, msg, headers):
        pass
    def http_error_302(self, req, fp, code, msg, headers):
        pass

opener = urllib2.build_opener(RedirectHandler)
opener.open('http://www.google.cn')

Cookie

urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 Cookie 项的值，可以这么做：

import urllib2
import cookielib

cookie = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response = opener.open('http://www.google.com')
for item in cookie:
    if item.name == 'some_cookie_item_name':
        print item.value

使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法，如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或 DELETE 的请求：

import urllib2

request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)

这种做法虽然属于 Hack 的方式，但实际使用起来也没什么问题。

得到 HTTP 的返回码

对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

import urllib2
try:
    response = urllib2.urlopen('http://restrict.web.com')
except urllib2.HTTPError, e:
    print e.code

Debug Log

使用 urllib2 时，可以通过下面的方法把 debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时可以省去抓包的工作。

import urllib2

httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)

urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.google.com')

转载于:https://my.oschina.net/cqlcql/blog/680709