urllib模块

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，或者在集群交互的时候， 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()  

# 别惊讶，整个程序确实只用了两行代码
import  urllib
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()  

google  =  urllib.urlopen( ' http://www.google.com ' )
print  ' http header:\n ' , google.info()
print  ' http status: ' , google.getcode()
print  ' url: ' , google.geturl()
for  line in google: # 就像在操作本地文件
    print line,
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 . def cbk(a, b, c):  
    2 .      ''''' 回调函数 
    3 .     @a: 已经下载的数据块 
    4 .     @b: 数据块的大小 
    5 .     @c: 远程文件的大小 
    6 .      '''   
    7 .     per  =   100.0   *  a  *  b  /  c  
    8 .      if  per  >   100 :  
    9 .         per  =   100   
   10 .     print  ' %.2f%% '   %  per  
   11 .   
   12 . url  =   ' http://www.sina.com.cn '   
   13 . local  =   ' d:\\sina.html '   
   14 . urllib.urlretrieve(url, local, cbk)  

def cbk(a, b, c):
     ''' 回调函数
    @a: 已经下载的数据块
    @b: 数据块的大小
    @c: 远程文件的大小
     '''
    per  =   100.0   *  a  *  b  /  c
     if  per  >   100 :
        per  =   100
    print  ' %.2f%% '   %  per

url  =   ' http://www.sina.com.cn '
local  =   ' d:\\sina.html '
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