Python学习笔记五（Python urllib模块）

依然饭跑跑

　　Python urllib模块提供了一个从指定的URL地址获取网页数据，然后对其进行分析处理，获取想要的数据。
　　1.查看urllib模块提供的urlopen函数。
help(urllib.urlopen)　　
urlopen(url, data=None, proxies=None)
　　
Create a file-like object for the specified URL to read from.
　　创建一个类文件对象为指定的url来读取。
　　参数url表示远程数据的路径，一般是http或者ftp路径。
　　参数data表示以get或者post方式提交到url的数据。
　　参数proxies表示用于代理的设置。
　　Python通过urlopen函数来获取html数据，下面通过函数getUrl()将百度首页显示到显示器上面。
#encoding:utf-8　　
import urllib
　　
def getUrl(url):
　　page = urllib.urlopen(url)
　　html = page.read()
　　print html
　　
getUrl('http://www.baidu.com')
　　urlopen返回一个类文件对象，它提供了如下方法：
　　1）read() , readline() , readlines()，fileno()和close()： 这些方法的使用与文件对象完全一样。
　　2）info()：返回一个httplib.HTTPMessage 对象，表示远程服务器返回的头信息。
　　3）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。
　　4）geturl()：返回请求的url地址。
　　urlopen方法实例：
#!/usr/bin/python　　
#encoding:utf-8
　　
import urllib
　　
baidu = urllib.urlopen('http://www.baidu.com')
　　
print 'http header:\n',baidu.info()
　　
print 'http status:',baidu.getcode()
　　
print 'url:',baidu.geturl()
　　
for line in baidu:
　　print line,
　　
baidu.close()
　　
########output########
　　
#http header:
　　
#http status: 200
　　
#url: http://www.baidu.com
　　
#baidu home page
　　2.查看urllibe模块提供的urlretrieve函数。
help(urllib.urlretrieve)　　
urlretrieve(url, filename=None, reporthook=None, data=None)
　　urlretrieve方法直接将远程数据下载到本地。
　　参数finename指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
　　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时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
　　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(filename, headers)元组，filename表示保存到本地的路径，header表示服务器的响应头。
　　urlretrieve方法下载文件实例，可以显示下载进度。
#!/usr/bin/python　　
#encoding:utf-8
　　
import urllib
　　
import os
　　
def Schedule(a,b,c):
　　'''''
　　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.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'
　　
#local = url.split('/')[-1]
　　
local = os.path.join('/data/software','Python-2.7.5.tar.bz2')
　　
urllib.urlretrieve(url,local,Schedule)
　　
######output######
　　
#0.00%
　　
#0.07%
　　
#0.13%
　　
#0.20%
　　
#....
　　
#99.94%
　　
#100.00%
　　通过上面的练习可以知道，urlopen可以轻松获取远端html页面信息，然后通过python正则对所需要的数据进行分析，匹配出想要用的数据，在利用urlretrieve将数据下载到本地。对于访问受限或者对连接数有限制的远程url地址可以采用proxies（代理的方式）连接，如果远程数据量过大，单线程下载太慢的话可以采用多线程下载，这个就是传说中的爬虫。