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
  1. ProxyHandler
  2. UnknownHandler
  3. HTTPHandler
  4. HTTPDefaultHandler
  5. HTTPRedirectHandler
  6. FTPHandler
  7. FileHandler
  8. HTTPErrorHandler
  9. 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

  1. 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 ...

  2. 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, ...

  3. 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 ...

  4. 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: ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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): ...

  9. [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

  1. spring整合mybatis错误:HTTP Status 404 - xxx-xxx....

    运行环境:jdk1.7.0_17 + tomcat 7 + spring 3.2.0 +mybatis 3.2.7+ eclipse,访问路径:http://localhost:8085/Spring ...

  2. java性能真的差吗

    详见:http://blog.yemou.net/article/query/info/tytfjhfascvhzxcyt275 我见过java运行在手机上,包括很廉价的山寨手机,但是却暂时没发现.n ...

  3. tkinter第一章

    tk1 ------------------------------------------------------------------------------------------ impor ...

  4. JAVA基础第一组(前5道题)

    1.[程序1] 题目:古典问题:有一对兔子,从出生后第3个月起每个月都生一对兔子,小兔子长到第三个月后每个月又生一 对兔子,假如兔子都不死,问每个月的兔子总数为多少?        1.程序分析: 兔 ...

  5. 学号:201521123116 《java程序设计》第五周学习总结

    1. 本章学习总结 2. 书面作业 1.代码阅读:Child压缩包内源代码 1.1 com.parent包中Child.java文件能否编译通过?哪句会出现错误?试改正该错误.并分析输出结果. 不能编 ...

  6. 201521123076《java程序设计》第四次总结

    1. 本周学习总结 1.1 尝试使用思维导图总结有关继承的知识点. 1.2 使用常规方法总结其他上课内容. instanceof可以测试一个对象是否是某个类(或其父类),右边'is a?'左边关系. ...

  7. 201521123045 《Java程序设计》第4周学习总结

    第4周作业-面向对象设计与继承 1. 本周学习总结 1.1 尝试使用思维导图总结有关继承的知识点. 2. 书面作业 Q1.注释的应用使用类的注释与方法的注释为前面编写的类与方法进行注释,并在Eclip ...

  8. 201521123103 《Java程序设计》 第一周学习总结

    一.本周学习总结 1.初步了解了Java的诞生及版本演进的过程. 2.认识了Java的三大平台:Java SE.Java EE.Java ME:学会安装JDK:Java SE是各应用平台的基础,分为四 ...

  9. 《JAVA程序设计》第11周学习总结

    1. 本章学习总结 1.1 以你喜欢的方式(思维导图或其他)归纳总结多线程相关内容. synchronized方法/代码块 wait().notify()用法,生产者消费者例子 lock.condit ...

  10. 201521123050 《Java程序设计》第12周学习总结

    1. 本周学习总结 2. 书面作业 将Student对象(属性:int id, String name,int age,double grade)写入文件student.data.从文件读出显示. 1 ...