python学习笔记（十四）标准库urllib
urllib
urllib 模塊用于讀取來自網(wǎng)上（服務(wù)器上）的數(shù)據(jù)，比如不少人用 Python 做爬蟲程序，就可以使用這個模塊。先看一個簡單例子：
>>> import urllib >>> itdiffer = urllib.urlopen("http://www.itdiffer.com")這樣就已經(jīng)把我的網(wǎng)站www.itdiffer.com首頁的內(nèi)容拿過來了，得到了一個類似文件的對象。接下來的操作跟操作一個文件一樣（如果忘記了文件怎么操作，可以參考：《文件(1)）
>>> print itdiffer.read() <!DOCTYPE HTML> <html><head><title>I am Qiwsir</title> ....//因為內(nèi)容太多，下面就省略了就這么簡單，完成了對一個網(wǎng)頁的抓取。當(dāng)然，如果你真的要做爬蟲程序，還不是僅僅如此。這里不介紹爬蟲程序如何編寫，僅說明 urllib 模塊的常用屬性和方法。
>>> dir(urllib) ['ContentTooShortError', 'FancyURLopener', 'MAXFTPCACHE', 'URLopener', '__all__', '__builtins__', '__doc__', '__file__', '__name__', '__package__', '__version__', '_asciire', '_ftperrors', '_have_ssl', '_hexdig', '_hextochr', '_hostprog', '_is_unicode', '_localhost', '_noheaders', '_nportprog', '_passwdprog', '_portprog', '_queryprog', '_safe_map', '_safe_quoters', '_tagprog', '_thishost', '_typeprog', '_urlopener', '_userprog', '_valueprog', 'addbase', 'addclosehook', 'addinfo', 'addinfourl', 'always_safe', 'base64', 'basejoin', 'c', 'ftpcache', 'ftperrors', 'ftpwrapper', 'getproxies', 'getproxies_environment', 'i', 'localhost', 'noheaders', 'os', 'pathname2url', 'proxy_bypass', 'proxy_bypass_environment', 'quote', 'quote_plus', 're', 'reporthook', 'socket', 'splitattr', 'splithost', 'splitnport', 'splitpasswd', 'splitport', 'splitquery', 'splittag', 'splittype', 'splituser', 'splitvalue', 'ssl', 'string', 'sys', 'test1', 'thishost', 'time', 'toBytes', 'unquote', 'unquote_plus', 'unwrap', 'url2pathname', 'urlcleanup', 'urlencode', 'urlopen', 'urlretrieve']選幾個常用的介紹，其它的如果讀者用到，可以通過查看文檔了解。
urlopen()
urlopen() 主要用于打開 url 文件，然后就獲得指定 url 的數(shù)據(jù)，接下來就如同在本地操作文件那樣來操作。
Help on function urlopen in module urllib:
urlopen(url, data=None, proxies=None)Create a file-like object for the specified URL to read from.
得到的對象被叫做類文件。從名字中也可以理解后面的操作了。先對參數(shù)說明一下：
- url：遠(yuǎn)程數(shù)據(jù)的路徑，常常是網(wǎng)址
- data：如果使用 post 方式，這里就是所提交的數(shù)據(jù)
- proxies：設(shè)置代理
關(guān)于參數(shù)的詳細(xì)說明，還可以參考Python的官方文檔，這里僅演示最常用的，如前面的例子那樣。
當(dāng)?shù)玫搅祟愇募ο笾?#xff0c;就可以對它進(jìn)行操作。變量 itdiffer 引用了得到的類文件對象，通過它查看：
>>> dir(itdiffer) ['__doc__', '__init__', '__iter__', '__module__', '__repr__', 'close', 'code', 'fileno', 'fp', 'getcode', 'geturl', 'headers', 'info', 'next', 'read', 'readline', 'readlines', 'url']讀者從這個結(jié)果中也可以看出，這個類文件對象也是可迭代的。常用的方法：
- read(),readline(),readlines(),fileno(),close()：都與文件操作一樣，這里不再贅述。可以參考前面有關(guān)文件章節(jié)
- info()：返回頭信息
- getcode()：返回 http 狀態(tài)碼
- geturl()：返回 url
簡單舉例：
>>> itdiffer.info() <httplib.HTTPMessage instance at 0xb6eb3f6c> >>> itdiffer.getcode() 200 >>> itdiffer.geturl() 'http://www.itdiffer.com'更多情況下，已經(jīng)建立了類文件對象，通過對文件操作方法，獲得想要的數(shù)據(jù)。
對 url 編碼、解碼
url 對其中的字符有嚴(yán)格要求，不許可某些特殊字符，這就要對 url 進(jìn)行編碼和解碼了。這個在進(jìn)行 web 開發(fā)的時候特別要注意。urllib 模塊提供這種功能。
- quote(string[, safe])：對字符串進(jìn)行編碼。參數(shù) safe 指定了不需要編碼的字符
- urllib.unquote(string) ：對字符串進(jìn)行解碼
- quote_plus(string [ , safe ] ) ：與 urllib.quote 類似，但這個方法用'+'來替換空格' '，而 quote 用'%20'來代替空格
- unquote_plus(string ) ：對字符串進(jìn)行解碼；
- urllib.urlencode(query[, doseq])：將 dict 或者包含兩個元素的元組列表轉(zhuǎn)換成 url 參數(shù)。例如{'name': 'laoqi', 'age': 40}將被轉(zhuǎn)換為"name=laoqi&age=40"
- pathname2url(path)：將本地路徑轉(zhuǎn)換成 url 路徑
- url2pathname(path)：將 url 路徑轉(zhuǎn)換成本地路徑
看例子就更明白了：
>>> du = "http://www.itdiffer.com/name=python book" >>> urllib.quote(du) 'http%3A//www.itdiffer.com/name%3Dpython%20book' >>> urllib.quote_plus(du) 'http%3A%2F%2Fwww.itdiffer.com%2Fname%3Dpython+book'注意看空格的變化，一個被編碼成 %20，另外一個是 +
再看解碼的，假如在 google 中搜索零基礎(chǔ) Python，結(jié)果如下圖：
我的教程可是在這次搜索中排列第一個哦。
這不是重點，重點是看 url，它就是用 + 替代空格了。
>>> dup = urllib.quote_plus(du) >>> urllib.unquote_plus(dup) 'http://www.itdiffer.com/name=Python book'從解碼效果來看，比較完美地逆過程。
>>> urllib.urlencode({"name":"qiwsir","web":"itdiffer.com"}) 'web=itdiffer.com&name=qiwsir'這個在編程中，也會用到，特別是開發(fā)網(wǎng)站時候。
urlretrieve()
雖然 urlopen() 能夠建立類文件對象，但是，那還不等于將遠(yuǎn)程文件保存在本地存儲器中，urlretrieve() 就是滿足這個需要的。先看實例：
>>> import urllib >>> urllib.urlretrieve("http://www.itdiffer.com/images/me.jpg","me.jpg") ('me.jpg', <httplib.HTTPMessage instance at 0xb6ecb6cc>) >>>me.jpg 是一張存在于服務(wù)器上的圖片，地址是：http://www.itdiffer.com/images/me.jpg，把它保存到本地存儲器中，并且仍舊命名為 me.jpg。注意，如果只寫這個名字，表示存在啟動 Python 交互模式的那個目錄中，否則，可以指定存儲具體目錄和文件名。
在urllib官方文檔中有一大段相關(guān)說明，讀者可以去認(rèn)真閱讀。這里僅簡要介紹一下相關(guān)參數(shù)。
urllib.urlretrieve(url[, filename[, reporthook[, data]]])
- url：文件所在的網(wǎng)址
- filename：可選。將文件保存到本地的文件名，如果不指定，urllib 會生成一個臨時文件來保存
- reporthook：可選。是回調(diào)函數(shù)，當(dāng)鏈接服務(wù)器和相應(yīng)數(shù)據(jù)傳輸完畢時觸發(fā)本函數(shù)
- data：可選。如果用 post 方式所發(fā)出的數(shù)據(jù)
函數(shù)執(zhí)行完畢，返回的結(jié)果是一個元組(filename, headers)，filename 是保存到本地的文件名，headers 是服務(wù)器響應(yīng)頭信息。
#!/usr/bin/env Python # coding=utf-8import urllibdef go(a,b,c):per = 100.0 * a * b / cif per > 100:per = 100print "%.2f%%" % perurl = "http://youxi.66wz.com/uploads/1046/1321/11410192.90d133701b06f0cc2826c3e5ac34c620.jpg" local = "/home/qw/Pictures/g.jpg" urllib.urlretrieve(url, local, go)這段程序就是要下載指定的圖片，并且保存為本地指定位置的文件，同時要顯示下載的進(jìn)度。上述文件保存之后，執(zhí)行，顯示如下效果：
$ Python 22501.py 0.00% 8.13% 16.26% 24.40% 32.53% 40.66% 48.79% 56.93% 65.06% 73.19% 81.32% 89.46% 97.59% 100.00%到相應(yīng)目錄中查看，能看到與網(wǎng)上地址一樣的文件。我這里就不對結(jié)果截圖了，唯恐少部分讀者鼻子流血。
urllib2
urllib2 是另外一個模塊，它跟 urllib 有相似的地方——都是對 url 相關(guān)的操作，也有不同的地方。關(guān)于這方面，有一篇文章講的不錯：Python: difference between urllib and urllib2
我選取一段，供大家參考：
urllib2 can accept a Request object to set the headers for a URL request, urllib accepts only a URL. That means, you cannot masquerade your User Agent string etc.
urllib provides the urlencode method which is used for the generation of GET query strings, urllib2 doesn't have such a function. This is one of the reasons why urllib is often used along with urllib2.
所以，有時候兩個要同時使用，urllib 模塊和 urllib2 模塊有的方法可以相互替代，有的不能。看下面的屬性方法列表就知道了。
>>> dir(urllib2) ['AbstractBasicAuthHandler', 'AbstractDigestAuthHandler', 'AbstractHTTPHandler', 'BaseHandler', 'CacheFTPHandler', 'FTPHandler', 'FileHandler', 'HTTPBasicAuthHandler', 'HTTPCookieProcessor', 'HTTPDefaultErrorHandler', 'HTTPDigestAuthHandler', 'HTTPError', 'HTTPErrorProcessor', 'HTTPHandler', 'HTTPPasswordMgr', 'HTTPPasswordMgrWithDefaultRealm', 'HTTPRedirectHandler', 'HTTPSHandler', 'OpenerDirector', 'ProxyBasicAuthHandler', 'ProxyDigestAuthHandler', 'ProxyHandler', 'Request', 'StringIO', 'URLError', 'UnknownHandler', '__builtins__', '__doc__', '__file__', '__name__', '__package__', '__version__', '_cut_port_re', '_opener', '_parse_proxy', '_safe_gethostbyname', 'addinfourl', 'base64', 'bisect', 'build_opener', 'ftpwrapper', 'getproxies', 'hashlib', 'httplib', 'install_opener', 'localhost', 'mimetools', 'os', 'parse_http_list', 'parse_keqv_list', 'posixpath', 'proxy_bypass', 'quote', 'random', 'randombytes', 're', 'request_host', 'socket', 'splitattr', 'splithost', 'splitpasswd', 'splitport', 'splittag', 'splittype', 'splituser', 'splitvalue', 'sys', 'time', 'toBytes', 'unquote', 'unwrap', 'url2pathname', 'urlopen', 'urlparse', 'warnings']比較常用的比如 urlopen() 跟 urllib.open() 是完全類似的。
Request 類
正如前面區(qū)別 urllib 和 urllib2 所講，利用 urllib2 模塊可以建立一個 Request 對象。方法就是：
>>> req = urllib2.Request("http://www.itdiffer.com")建立了 Request 對象之后，它的最直接應(yīng)用就是可以作為 urlopen() 方法的參數(shù)
>>> response = urllib2.urlopen(req) >>> page = response.read() >>> print page因為與前面的 urllib.open("http://www.itdiffer.com") 結(jié)果一樣，就不浪費篇幅了。
但是，如果 Request 對象僅僅局限于此，似乎還沒有什么太大的優(yōu)勢。因為剛才的訪問僅僅是滿足以 get 方式請求頁面，并建立類文件對象。如果是通過 post 向某地址提交數(shù)據(jù)，也可以建立 Request 對象。
import urllib import urllib2 url = 'http://www.itdiffer.com/register.py' values = {'name' : 'qiwsir', 'location' : 'China', 'language' : 'Python' } data = urllib.urlencode(values) # 編碼 req = urllib2.Request(url, data) # 發(fā)送請求同時傳 data 表單 response = urllib2.urlopen(req) #接受反饋的信息 the_page = response.read() #讀取反饋的內(nèi)容注意，讀者不能照抄上面的程序，然后運行代碼。因為那個 url 中沒有相應(yīng)的接受客戶端 post 上去的 data 的程序文件。上面的代碼只是以一個例子來顯示 Request 對象的另外一個用途，還有就是在這個例子中是以 post 方式提交數(shù)據(jù)。
在網(wǎng)站中，有的會通過 User-Agent 來判斷訪問者是瀏覽器還是別的程序，如果通過別的程序訪問，它有可能拒絕。這時候，我們編寫程序去訪問，就要設(shè)置 headers 了。設(shè)置方法是：
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = { 'User-Agent' : user_agent }然后重新建立 Request 對象：
req = urllib2.Request(url, data, headers)再用 urlopen() 方法訪問：
response = urllib2.urlopen(req)除了上面演示之外，urllib2 模塊的東西還很多，比如還可以:
- 設(shè)置 HTTP Proxy
- 設(shè)置 Timeout 值
- 自動 redirect
- 處理 cookie
等等。這些內(nèi)容不再一一介紹，當(dāng)需要用到的時候可以查看文檔或者 google。
總結(jié)
以上是生活随笔為你收集整理的python学习笔记（十四）标准库urllib的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： python学习笔记（十三）标准库hea
- 下一篇： geometry-api-java 学习