urllib模組提供的上層介面，使我們可以像讀取本地檔案一樣讀取www和ftp上的資料。每當使用這個模組的時候，老是會想起公司產品的客戶端，同事用C++下載Web上的圖片，那種“痛苦”的表情。我以前翻譯過libcurl教程，這是在C/C++環境下比較方便實用的網路操作庫，相比起libcurl，Python的urllib模組的使用門檻則低多了。可能有些人又會用效率來批評Python，其實在操作網路，或者在叢集互動的時候， 語言的執行效率絕不是瓶頸。這種情況下，一個比較好的方法是，將python嵌入到C/C++中，讓Python來完成一些不是核心的邏輯處理。又扯遠了，廢話少說，開始urllib之旅吧~~ （前幾天我用這個模組寫了個蜘蛛，感興趣的同學可以在以前的部落格中找到程式碼）
先看一個例子，這個例子把Google首頁的html抓取下來並顯示在控制檯上：
|
1 2 3 |
# 別驚訝，整個程式確實只用了兩行程式碼 import urllib print urllib.urlopen('http://www.google.com').read() |
urllib.urlopen(url[, data[, proxies]]) :
建立一個表示遠端url的類檔案物件，然後像本地檔案一樣操作這個類檔案物件來獲取遠端資料。引數url表示遠端資料的路徑，一般是網址；引數data表示以post方式提交到url的資料(玩過web的人應該知道提交資料的兩種方式：post與get。如果你不清楚，也不必太在意，一般情況下很少用到這個引數)；引數proxies用於設定代理（這裡不詳細講怎麼使用代理，感興趣的看客可以去翻閱Python手冊urllib模組）。urlopen返回 一個類檔案物件，他提供瞭如下方法：
- read() , readline() , readlines() , fileno() , close() ：這些方法的使用方式與檔案物件完全一樣;
- info()：返回一個httplib.HTTPMessage 物件，表示遠端伺服器返回的頭資訊；
- getcode()：返回Http狀態碼。如果是http請求，200表示請求成功完成;404表示網址未找到；
- geturl()：返回請求的url；
下面來擴充一下上面的例子，看官可以執行一下這個例子，加深對urllib的印象：
|
1 2 3 4 5 6 7 |
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: # 就像在操作本地檔案 print line, google.close() |
urllib.urlretrieve(url[, filename[, reporthook[, data]]])：
urlretrieve方法直接將遠端資料下載到本地。引數filename指定了儲存到本地的路徑（如果未指定該引數，urllib會生成一個臨時檔案來儲存資料）；引數reporthook是一個回撥函式，當連線上伺服器、以及相應的資料塊傳輸完畢的時候會觸發該回撥。我們可以利用這個回撥函 數來顯示當前的下載進度，下面的例子會展示。引數data指post到伺服器的資料。該方法返回一個包含兩個元素的元組(filename, headers)，filename表示儲存到本地的路徑，header表示伺服器的響應頭。下面通過例子來演示一下這個方法的使用，這個例子將新浪首頁的html抓取到本地，儲存在D:/sina.html檔案中，同時顯示下載的進度。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
def cbk(a, b, c): '''回撥函式 @a: 已經下載的資料塊 @b: 資料塊的大小 @c: 遠端檔案的大小 ''' 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) |
上面介紹的兩個方法是urllib中最常用的方法，這些方法在獲取遠端資料的時候，內部會使用URLopener或者 FancyURLOpener類。作為urllib的使用者，我們很少會用到這兩個類，這裡我不想多講。如果對urllib的實現感興趣， 或者希望urllib支援更多的協議，可以研究這兩個類。在Python手冊中，urllib的作者還列出了這個模組的缺陷和不足，感興趣的同學可以開啟 Python手冊瞭解一下。
urllib中還提供了一些輔助方法，用於對url進行編碼、解碼。url中是不能出現一些特殊的符號的，有些符號有特殊的用途。我們知道以get方式提交資料的時候，會在url中新增key=value這樣的字串，所以在value中是不允許有’=’，因此要對其進行編碼；與此同時伺服器接收到這些引數的時候，要進行解碼，還原成原始的資料。這個時候，這些輔助方法會很有用：
- urllib.quote(string[, safe])：對字串進行編碼。引數safe指定了不需要編碼的字元;
- urllib.unquote(string) ：對字串進行解碼；
- urllib.quote_plus(string [ , safe ] ) ：與urllib.quote類似，但這個方法用’+’來替換’ ‘，而quote用’%20’來代替’ ‘
- urllib.unquote_plus(string ) ：對字串進行解碼；
- urllib.urlencode(query[, doseq])：將dict或者包含兩個元素的元組列表轉換成url引數。例如 字典{‘name’: ‘dark-bull’, ‘age’: 200}將被轉換為”name=dark-bull&age=200″
- urllib.pathname2url(path)：將本地路徑轉換成url路徑；
- urllib.url2pathname(path)：將url路徑轉換成本地路徑；
用一個例子來體驗一下這些方法吧~~：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
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 |
urllib模組的基本使用，就這麼簡單。oh~~yeah~~又一個模組寫完了，想想，我已經寫了將近30個模組了，有時間我要好好整理一下@@@@