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  
   
2import 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()  
   
5for 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