Python网页抓取urllib,urllib2,httplib[1]

前阶段使用到ftp，写了个工具脚本http://blog.csdn.net/wklken/article/details/7059423

最近需要抓网页，看了下python抓取方式

需求：

抓取网页，解析获取内容

涉及库：【重点urllib2】

urllib   http://docs.python.org/library/urllib.html

urllib2  http://docs.python.org/library/urllib2.html

httplib   http://docs.python.org/library/httplib.html

使用urllib:

1.      抓取网页信息

urllib.urlopen(url[, data[, proxies]]) :

url: 表示远程数据的路径

data: 以post方式提交到url的数据

proxies:用于设置代理

urlopen返回对象提供方法：

-         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请求成功完成;404网址未找到

-         geturl()：返回请求的url

使用：

#!/usr/bin/python
# -*- coding:utf-8 -*-
# urllib_test.py
# author:wklken
# 2012-03-17  wklken#yeah.net 

import os
import urllib
url = "http://www.siteurl.com"

def use_urllib():
  import urllib, httplib
  httplib.HTTPConnection.debuglevel = 1 
  page = urllib.urlopen(url)
  print "status:", page.getcode() #200请求成功,404
  print "url:", page.geturl()
  print "head_info:\n",  page.info()
  print "Content len:", len(page.read())

附带的其他方法：（主要是url编码解码）

-         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': 'wklken', 'pwd': '123'}将被转换为"name=wklken&pwd=123"

-         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

使用：

def urllib_other_functions():
  astr = urllib.quote('this is "K"')
  print astr
  print urllib.unquote(astr)
  bstr = urllib.quote_plus('this is "K"')
  print bstr
  print urllib.unquote(bstr)

  params = {"a":"1", "b":"2"}
  print urllib.urlencode(params)

  l2u = urllib.pathname2url(r'd:\a\test.py')
  print l2u 
  print urllib.url2pathname(l2u)

2.  下载远程数据

urlretrieve方法直接将远程数据下载到本地

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

filename指定保存到本地的路径（若未指定该，urllib生成一个临时文件保存数据）

reporthook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

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。

def  callback_f(downloaded_size, block_size, romote_total_size):
  per = 100.0 * downloaded_size * block_size / romote_total_size
  if per > 100:
    per = 100 
  print "%.2f%%"% per 

def use_urllib_retrieve():
  import urllib
  local = os.path.join(os.path.abspath("./"), "a.html")
  print local
  urllib.urlretrieve(url,local,callback_f)

下一篇：httplib

转载请注明出处：http://blog.csdn.net/wklken