Python 的 urllib,urllib2,httplib

原文出处：/article/1414955.html

前阶段使用到ftp，写了个工具脚本/article/1414967.html

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：

[python] view
plaincopyprint?

#!/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：

[python] view
plaincopyprint?

def urllib_other_functions():

astr = urllib.quote('this is "K"')

print astr
# this%20is%20%22K%22

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)
# 'a=1&b=2'

l2u = urllib.pathname2url(r'd:\a\test.py')

print l2u
# 'd%3A%5Ca%5Ctest.py'

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。

[python] view
plaincopyprint?

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)