洗礼灵魂，修炼python（53）--爬虫篇—urllib模块

urllib

1.简介：

urllib 模块是python的最基础的爬虫模块，其核心功能就是模仿web浏览器等客户端，去请求相应的资源，并返回一个类文件对象。urllib 支持各种 web 协议，例如：HTTP、FTP、Gopher；同时也支持对本地文件进行访问。但一般而言多用来进行爬虫的编写。

2.方法/属性：

3.常用的方法/属性解析：

 urllib.urlopen(url[, data[, proxies[, context]]])：打开网页

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（前面说过的，不再赘述）

• url ：  一个完整的远程资源路径，一般都是一个网站，比如前面用到的http://www.baidu.com。（注意，要包含协议头，例如：http://www.baidu.com/，此处的 http:// 不能省略）， 如果该URL没有指明协议类型，或者其协议标识符，则该函数会打开本地文件。如果无法打开远程地址，则会触发IOError异常。
• data ：是一个可选的参数，如果使用的是 http:// 协议，用于指定一个 POST 请求（默认使用的是 GET 方法）。这个参数必须使用标准的 application/x-www-form-urlencoded 格式。可以使用  urlencode() 方法来快速生成。
• proxies ： 设置代理，详细的参照官方文档

最常用的方法已经说过，带data参数这里暂时不解析，见下一篇博文urllib2模块

urllib.urlretrieve(url[, filename[, reporthook[, data]]])：下载数据

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

• url ： 目标 url 。
• filename ： 下载到本地后保存的文件名， 可以是决对路径或相对路径形式。如果没有给，将缓存到一个临时文件夹中。

• reporthook：一个回调函数，方法会在连接建立时和下载完成时调用这个函数。同时会向函数传递三个参数：1.目前为止下载了多少数据块；2.数据块的大小（单位是字节）；3.文件的总大小；
• data：一个可选的参数(同上面的data)

这个其实很少用，并且还要定义一个回调函数，用到的时候再做解析吧。

urllib.urlcleanup()：清楚urllib.urlretrieve()的缓存

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。

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

例：

urllib.quote_plus(string[, safe])：同urllib.quote()，唯一区别是会把空格转为【+】，而quote()用’%20’来代替空格

urllib.unquote(string)：对字符串进行解码，urllib.quote()的逆操作

注意：这里要说一下，由于python2默认编码是ASCII，所以对中文解码就是这样的，这不是一个问题，姑且不管吧，后面写爬虫还会遇到很多

urllib.unquote_plus(string)：对字符串进行解码，urllib.quote_plus()的逆操作，类似quote()

urllib.urlencode(query[, doseq])：将dict或者包含两个元素的元组列表转换成url请求参数

例：

注意：一旦urlopen设置的 data，就意味使用 POST 请求，如果要使用 GET 请求，请在 url 的后面加上?号才能把数据放进去

GET

import urllib
dict1= urllib.urlencode({'x': 1, 'y': 2, 'z': 3})
html= urllib.urlopen("http://www.baidu.com?%s" %dict1)
print html.read()

POST

import urllib
dict1= urllib.urlencode({'x': 1, 'y': 2, 'z': 3})
html= urllib.urlopen("http://www.baidu.com", dict1)
print html.read()

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

免责声明

本博文只是为了分享技术和共同学习为目的，并不出于商业目的和用途，也不希望用于商业用途，特此声明。如果内容中测试的贵站站长有异议，请联系我立即删除