python urllib、urlparse、urllib2、cookielib
1、urllib模块
1.urllib.urlopen(url[,data[,proxies]])
打开一个url的方法，返回一个文件对象，然后可以进行类似文件对象的操作。本例试着打开google
import urllib
f = urllib.urlopen('http://www.google.com.hk/')
firstLine = f.readline() #读取html页面的第一行
urlopen返回对象提供方法：
- read([bytes])：读所以字节或者bytes个字节
- readline()：读一行
- readlines() ：读所有行
- fileno() ：返回文件句柄
- close() ：关闭url链接
- 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请求成功完成;404网址未找到
- geturl()：返回请求的url
2.urllib.urlretrieve(url[,filename[,reporthook[,data]]])
urlretrieve方法将url定位到的html文件下载到你本地的硬盘中。如果不指定filename，则会存为临时文件。
urlretrieve()返回一个二元组(filename,mine_hdrs)
临时存放：
filename = urllib.urlretrieve('http://www.google.com.hk/')
type(filename)
<type 'tuple'>
print filename[0]
print filename[1]
输出：
'/tmp/tmp8eVLjq' <httplib.HTTPMessage instance at 0xb6a363ec>
存为本地文件:
filename = urllib.urlretrieve('http://www.baidu.com/',filename='/home/dzhwen/python文件/Homework/urllib/google.html')
print type(filename)
print filename[0]
print filename[1]
输出：
<type 'tuple'>
'/home/dzhwen/python\xe6\x96\x87\xe4\xbb\xb6/Homework/urllib/google.html'
<httplib.HTTPMessage instance at 0xb6e2c38c>
reporthook参数使用如下：
def process(blk,blk_size,total_size):
print('%d/%d - %.02f%%' %(blk*blk_size,total_size,(float)(blk * blk_size) / total_size * 100)) def download():
filename,fileinfo = urllib.urlretrieve('http://cnblogs.com','index.html',reporthook=process)
输出结果：
0/46164 - 0.00%
8192/46164 - 17.75%
16384/46164 - 35.49%
24576/46164 - 53.24%
32768/46164 - 70.98%
40960/46164 - 88.73%
49152/46164 - 106.47%
blk * blk_size的有可能超过total_size，如上函数可以改写为：
def process(blk,blk_size,total_size):
if total_size == -1:
print "can't determine the file size, now retrived", blk * blk_size
else:
percentage = int((blk * blk_size * 100.0) / total_size)
if percentage >= 100:
print('%d/%d - %d%%' % (total_size, total_size, 100))
else:
print('%d/%d - %d%%' % (blk * blk_size, total_size, percentage))
运行后输出：
0/46238 - 0%
8192/46238 - 17%
16384/46238 - 35%
24576/46238 - 53%
32768/46238 - 70%
40960/46238 - 88%
46238/46238 - 100%
3.urllib.urlcleanup()
清除由于urllib.urlretrieve()所产生的缓存
4.urllib.quote(url)和urllib.quote_plus(url)
将url数据获取之后，并将其编码，从而适用与URL字符串中，使其能被打印和被web服务器接受。
urllib.quote('http://www.baidu.com')
转换结果：
'http%3A//www.baidu.com'
urllib.quote_plus('http://www.baidu.com')
转换结果：
'http%3A%2F%2Fwww.baidu.com'
5.urllib.unquote(url)和urllib.unquote_plus(url)
与4的函数相反。
6.urllib.urlencode(query)
将URL中的键值对以连接符&划分
这里可以与urlopen结合以实现post方法和get方法：
GET方法：
import urllib
params=urllib.urlencode({'spam':1,'eggs':2,'bacon':0})
f=urllib.urlopen("http://python.org/query?%s" % params)
print f.read()
POST方法：
import urllib
parmas = urllib.urlencode({'spam':1,'eggs':2,'bacon':0})
f=urllib.urlopen("http://python.org/query",parmas)
f.read()
2.urlparse模块
1.urlparse
作用：反向解析url
def parse_html():
url = 'https://www.baidu.com/s?wd=python&rsv_spt=1&rsv_iqid=0xad2dc5550032146a&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_sug3=7&rsv_sug1=5&rsv_sug7=100&rsv_sug2=0&inputT=22&rsv_sug4=4980'
result = urlparse.urlparse(url)
# params = urlparse.parse_qs(result.query)
print result
# print params
运行结果：
ParseResult(scheme='https', netloc='www.baidu.com', path='/s', params='', query='wd=python&rsv_spt=1&rsv_iqid=0xad2dc5550032146a&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_sug3=7&rsv_sug1=5&rsv_sug7=100&rsv_sug2=0&inputT=22&rsv_sug4=4980', fragment='')
如上返回的是一个parseResult对象，其中包括协议类型、主机地址、路径、参数以及query
2.parse_qs
import urllib
import urlparse def parse_html():
url = 'https://www.baidu.com/s?wd=python&rsv_spt=1&rsv_iqid=0xad2dc5550032146a&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_sug3=7&rsv_sug1=5&rsv_sug7=100&rsv_sug2=0&inputT=22&rsv_sug4=4980'
result = urlparse.urlparse(url)
params = urlparse.parse_qs(result.query)
# print result
print params if __name__ == '__main__':
# demo()
# demo2()
parse_html()
运行结果：
{'wd': ['python'], 'rsv_spt': ['1'], 'rsv_iqid': ['0xad2dc5550032146a'], 'inputT': ['22'], 'f': ['8'], 'rsv_enter': ['1'], 'rsv_bp': ['0'], 'rsv_idx': ['2'], 'tn': ['baiduhome_pg'], 'rsv_sug4': ['4980'], 'rsv_sug7': ['100'], 'rsv_sug1': ['5'], 'issp': ['1'], 'rsv_sug3': ['7'], 'rsv_sug2': ['0'], 'ie': ['utf-8']}
3、urllib2模块
urllib2提供更加强大的功能，如cookie的管理，但并不能完全代替urllib，因为urllib.urlencode函数urllib2中是没有的
3.1 urllib2.urlopen()
作用：打开url
参数：
- url
- data = None
- timeout = <object>
import urllib
import urllib2 def demo():
url = 'http://www.cnblogs.com/hester/sllsl'
try:
s = urllib2.urlopen(url,timeout = 3)
except urllib2.HTTPError,e:
print e
else:
print s.read(100) if __name__ == '__main__':
demo()
运行结果：
<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<title>”温故而知新“
如果url更改为未知的网址：
url = 'http://www.cnblogs.com/hester/asdfas'
运行结果：
HTTP Error 404: Not Found
3.2 urllib2.Request()
作用：添加或者修改http头
参数：
- url
- data
- headers
import urllib
import urllib2 def demo():
url = 'http://www.cnblogs.com/hester'
headers = {'User-Agent':'Mozilla/5.0','x-my-hester':'my value'}
req = urllib2.Request(url,headers=headers)
s = urllib2.urlopen(req)
print s.read(100)
print req.headers
s.close() if __name__ == '__main__':
demo()
运行结果：
<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<title>”温故而知新“
{'X-my-hester': 'my value', 'User-agent': 'Mozilla/5.0'}
3.3 urllib2.bulid_opener()
作用：创建一个打开器
参数：
- Handler列表
- ProxyHandler
- UnknownHandler
- HTTPHandler
- HTTPDefaultHandler
- HTTPRedirectHandler
- FTPHandler
- FileHandler
- HTTPErrorHandler
- HTTPSHandler
返回：
- OpenerDirector
import urllib
import urllib2 def request_post_debug():
data = {'username':'hester_ge','password':'xxxxxxx'}
headers = {'User-Agent':'Mozilla/5.0','x-my-hester':'my value'}
req = urllib2.Request('http://www.cnblogs.com/hester',data = urllib.urlencode(data),headers=headers)
opener = urllib2.build_opener(urllib2.HTTPHandler(debuglevel=1))
s = opener.open(req)
print s.read(100)
s.close() if __name__ == '__main__':
request_post_debug()
运行结果：
send: 'POST /hester HTTP/1.1\r\nAccept-Encoding: identity\r\nContent-Length: 35\r\nHost: www.cnblogs.com\r\nX-My-Hester: my value\r\nUser-Agent: Mozilla/5.0\r\nConnection: close\r\nContent-Type: application/x-www-form-urlencoded\r\n\r\nusername=hester_ge&password=xxxxxxx'
reply: 'HTTP/1.1 200 OK\r\n'
header: Date: Sun, 03 Jul 2016 08:28:37 GMT
header: Content-Type: text/html; charset=utf-8
header: Content-Length: 14096
header: Connection: close
header: Vary: Accept-Encoding
header: Cache-Control: private, max-age=10
header: Expires: Sun, 03 Jul 2016 08:28:45 GMT
header: Last-Modified: Sun, 03 Jul 2016 08:28:35 GMT
header: X-UA-Compatible: IE=10
<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<title>”温故而知新“
3.4 urllib2.install_opener
作用：保存创建的opener
import urllib
import urllib2 def demo():
url = 'http://www.cnblogs.com/hester'
headers = {'User-Agent':'Mozilla/5.0','x-my-hester':'my value'}
req = urllib2.Request(url,headers=headers)
s = urllib2.urlopen(req)
print s.read(100)
print req.headers
s.close() # def request_post_debug():
# data = {'username':'hester_ge','password':'xxxxxxx'}
# headers = {'User-Agent':'Mozilla/5.0','x-my-hester':'my value'}
# req = urllib2.Request('http://www.cnblogs.com/hester',data = urllib.urlencode(data),headers=headers)
# opener = urllib2.build_opener(urllib2.HTTPHandler(debuglevel=1))
# s = opener.open(req)
# print s.read(100)
# s.close() def install_opener():
opener = urllib2.build_opener(urllib2.HTTPHandler(debuglevel=1),
urllib2.HTTPSHandler(debuglevel=1))
urllib2.install_opener(opener) if __name__ == '__main__':
# request_post_debug()
demo()
运行结果：
<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<title>”温故而知新“
{'X-my-hester': 'my value', 'User-agent': 'Mozilla/5.0'}
如上代码更改为：
if __name__ == '__main__':
# request_post_debug()
install_opener()
demo()
运行结果：
send: 'GET /hester HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.cnblogs.com\r\nConnection: close\r\nX-My-Hester: my value\r\nUser-Agent: Mozilla/5.0\r\n\r\n'
reply: 'HTTP/1.1 200 OK\r\n'
header: Date: Sun, 03 Jul 2016 08:39:31 GMT
header: Content-Type: text/html; charset=utf-8
header: Content-Length: 14096
header: Connection: close
header: Vary: Accept-Encoding
header: Cache-Control: private, max-age=10
header: Expires: Sun, 03 Jul 2016 08:39:41 GMT
header: Last-Modified: Sun, 03 Jul 2016 08:39:31 GMT
header: X-UA-Compatible: IE=10
<!DOCTYPE html>
<html lang="zh-cn">
<head>
<meta charset="utf-8"/>
<title>”温故而知新“
{'X-my-hester': 'my value', 'User-agent': 'Mozilla/5.0'}
4、cookies模块
因HTTP协议是无状态的，服务器无法识别请求是否为同一计算机，所以需要使用cookies进行标示。
客户见浏览器先发送request给服务器，服务器收到请求后进行解析，然后发送response给客户机，set_cookies就存在与response中，由浏览器进行设置。
我们这边用到两个模块
cookielib.CookieJar 提供解析并保存cookie的接口
HTTPCookieProcessor 提供自动出来cookie的功能
#encoding=utf8
import urllib2
import cookielib def handler_cookie():
cookiejar = cookielib.CookieJar()
handler = urllib2.HTTPCookieProcessor(cookiejar=cookiejar)
opener = urllib2.build_opener(handler,urllib2.HTTPHandler(debuglevel=1))
s = opener.open('http://www.douban.com/')
print s.read(100)
s.close() print '=' * 20
print cookiejar._cookies
print '=' * 20 #发送第二次请求时，自动带上cookie
s2 = opener.open('http://www.douban.com/')
print s2.read(100)
s2.close() if __name__ == '__main__':
handler_cookie()
运行结果：
/usr/bin/python2.7 /home/hester/PycharmProjects/untitled/demo4.py
send: 'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.douban.com\r\nConnection: close\r\nUser-Agent: Python-urllib/2.7\r\n\r\n'
reply: 'HTTP/1.1 301 Moved Permanently\r\n'
header: Date: Sun, 03 Jul 2016 10:01:41 GMT
header: Content-Type: text/html
header: Content-Length: 178
header: Connection: close
header: Location: https://www.douban.com/
header: Server: dae
<!DOCTYPE HTML>
<html lang="zh-cms-Hans" class="">
<head>
<meta charset="UTF-8">
<meta name="descrip
====================
{'.douban.com': {'/': {'ll': Cookie(version=0, name='ll', value='"118163"', port=None, port_specified=False, domain='.douban.com', domain_specified=True, domain_initial_dot=True, path='/', path_specified=True, secure=False, expires=1499076101, discard=False, comment=None, comment_url=None, rest={}, rfc2109=False), 'bid': Cookie(version=0, name='bid', value='dDz4rCqWvcQ', port=None, port_specified=False, domain='.douban.com', domain_specified=True, domain_initial_dot=True, path='/', path_specified=True, secure=False, expires=1499076101, discard=False, comment=None, comment_url=None, rest={}, rfc2109=False)}}}
====================
send: 'GET / HTTP/1.1\r\nAccept-Encoding: identity\r\nHost: www.douban.com\r\nCookie: ll="118163"; bid=dDz4rCqWvcQ\r\nConnection: close\r\nUser-Agent: Python-urllib/2.7\r\n\r\n'
reply: 'HTTP/1.1 301 Moved Permanently\r\n'
header: Date: Sun, 03 Jul 2016 10:01:42 GMT
header: Content-Type: text/html
header: Content-Length: 178
header: Connection: close
header: Location: https://www.douban.com/
header: Server: dae
<!DOCTYPE HTML>
<html lang="zh-cms-Hans" class="">
<head>
<meta charset="UTF-8">
<meta name="descrip Process finished with exit code 0
python urllib、urlparse、urllib2、cookielib的更多相关文章
- 使用Python中的urlparse、urllib抓取和解析网页（一）（转）
对搜索引擎.文件索引.文档转换.数据检索.站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理.事实上,通过Python 语言提供的各种模块,我们无需借助Web服务器或者Web浏览 ...
- python之（urllib、urllib2、lxml、Selenium+PhantomJS）爬虫
一.最近在学习网络爬虫的东西,说实话,没有怎么写过爬虫,Java里面使用的爬虫也没有怎么用过.这里主要是学习Python的时候,了解到Python爬虫的强大,和代码的简介,这里会简单的从入门看是说起, ...
- Python中的urlparse、urllib抓取和解析网页（一）
对搜索引擎.文件索引.文档转换.数据检索.站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理.事实上,通过Python 语言提供的各种模块,我们无需借助Web服务器或者Web浏览 ...
- python爬虫主要就是五个模块：爬虫启动入口模块，URL管理器存放已经爬虫的URL和待爬虫URL列表，html下载器，html解析器，html输出器 同时可以掌握到urllib2的使用、bs4（BeautifulSoup）页面解析器、re正则表达式、urlparse、python基础知识回顾（set集合操作）等相关内容。
本次python爬虫百步百科,里面详细分析了爬虫的步骤,对每一步代码都有详细的注释说明,可通过本案例掌握python爬虫的特点: 1.爬虫调度入口(crawler_main.py) # coding: ...
- 爬虫新手学习2-爬虫进阶(urllib和urllib2 的区别、url转码、爬虫GET提交实例、批量爬取贴吧数据、fidder软件安装、有道翻译POST实例、豆瓣ajax数据获取)
1.urllib和urllib2区别实例 urllib和urllib2都是接受URL请求相关模块,但是提供了不同的功能,两个最显著的不同如下: urllib可以接受URL,不能创建设置headers的 ...
- HTTP请求的python实现（urlopen、headers处理、 Cookie处理、设置Timeout超时、 重定向、Proxy的设置）
python实现HTTP请求的三中方式:urllib2/urllib.httplib/urllib 以及Requests urllib2/urllib实现 urllib2和urllib是python两 ...
- python语言(六)mock接口开发、发邮件、写日志、新Excel操作
一.urllib模块 urllib模块是一个标准模块,直接import urllib即可,在python3里面只有urllib模块,在python2里面有urllib模块和urllib2模块. url ...
- Python之路-python(Queue队列、进程、Gevent协程、Select\Poll\Epoll异步IO与事件驱动)
一.进程: 1.语法 2.进程间通讯 3.进程池 二.Gevent协程 三.Select\Poll\Epoll异步IO与事件驱动 一.进程: 1.语法 简单的启动线程语法 def run(name): ...
- [Python] 中文编码问题：raw_input输入、文件读取、变量比较等str、unicode、utf-8转换问题
最近研究搜索引擎.知识图谱和Python爬虫比较多,中文乱码问题再次浮现于眼前.虽然市面上讲述中文编码问题的文章数不胜数,同时以前我也讲述过PHP处理数据库服务器中文乱码问题,但是此处还是准备简单做下 ...
随机推荐
- [转载]Python实现浏览器自动化操作
原文地址:Python实现浏览器自动化操作作者:rayment 最近在研究网站自动登录的问题,涉及到需要实现浏览器自动化操作,网上有不少介绍,例如使用pamie,但是只是支持IE,而且项目也较久没 ...
- SNS团队Beta阶段第七次站立会议（2017.5.28）
1.立会照片 2.每个人的工作 成员 今天已完成的工作 罗于婕 对界面各部分的图标进行完善.美化 龚晓婷 对于历史记录功能进一步完善 林仕庄 对于历史记录功能进一步完善 刘海兰 协调界面的整体美化 念 ...
- 201521123030《Java程序设计》第6周学习总结
1. 本周学习总结 2. 书面作业 1.clone方法 1.1 Object对象中的clone方法是被protected修饰,在自定义的类中覆盖clone方法时需要注意什么? 覆盖clone的方法,声 ...
- Ubuntu下Java开发环境搭建(eclipse)
最近把工作环境转移到了Ubuntu Kylin下,发现在这下面Java环境还是很方便的.然而也经历了一些摸索的过程,故作文以记之. 一/开发前准备 安装系统/配置软件源,这部分内容没什么需要注意的.O ...
- thymeleaf模板引擎调用java类中的方法(附源码)
前言 <Docker+SpringBoot+Mybatis+thymeleaf的Java博客系统开源啦> 由于开源了项目的缘故,很多使用了My Blog项目的朋友遇到问题也都会联系我去解决 ...
- （java web后端方向）如何让你的简历为你争取到更多的面试机会,内容来自java web轻量级开发面试教程
我们在做培训时,会发现一个不合理的情况,一些程序员能力不错,在公司里也是技术牛人,但发出去的简历往往会石沉大海,没有回复.对于刚毕业的大学生或工作年限在2年之内的程序员,这个情况会更严重. 这种情况下 ...
- [js高手之路]Node.js+jade+mongodb+mongoose实现爬虫分离入库与生成静态文件
接着这篇文章[js高手之路]Node.js+jade抓取博客所有文章生成静态html文件继续,在这篇文章中实现了采集与静态文件的生成,在实际的采集项目中, 应该是先入库再选择性的生成静态文件.那么我选 ...
- Activiti第二篇【管理流程定义、执行任务和流程实例、流程变量】
上篇Activiti只是一个快速入门案例,这篇就讲定义.部署.查看任务等等的一些细节[涉及到的数据库表.对象等等]- 管理流程定义 管理流程定义主要涉及到以下的4张表: -- 流程部署相关的表 SEL ...
- JPA关系映射之many-to-many
@ManyToMany Board表实体类 @Entity @Cache(usage=CacheConcurrencyStrategy.NONSTRICT_READ_WRITE) @Table(nam ...
- spring的一些问题
1.什么是spring? spring是一个轻量级的一站式框架,它的核心有两个部分,1.aop面向切面编程 2.ioc控制反转. 2.什么是aop aop就是面向切面编程,使用aop可以使业务逻辑各个 ...