python urllib

python urllib

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。
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：

1
import urllib
2
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：

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。

01
def cbk(a, b, c):
02
        '''''回调函数
03
        <a href="http://my.oschina.net/anchoret" class="referer" target="_blank">@a</a> : 已经下载的数据块
04
        @b: 数据块的大小
05
        <a href="http://my.oschina.net/congee" class="referer" target="_blank">@c</a> : 远程文件的大小
06
        '''
07
        per = 100.0 * a * b / c
08
        if per > 100:
09
            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)
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

 
01
data = 'name = ~a+3'
02
  
03
data1 = urllib.quote(data)
04
print data1 # result: name%20%3D%20%7Ea%2B3
05
print urllib.unquote(data1) # result: name = ~a+3
06
  
07
data2 = urllib.quote_plus(data)
08
print data2 # result: name+%3D+%7Ea%2B3
09
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