下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。
1 |
>>> help(urllib.urlretrieve) |
2 |
Help on function urlretrieve in module urllib: |
3 |
4 |
urlretrieve(url, filename=None, reporthook=None, data=None) |
- 参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
- 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时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
- 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(filename, headers)元组，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 google 的 html 抓取到本地，保存在 D:/google.html 文件中，同时显示下载的进度。
01 |
import urllib |
02 |
def cbk(a, b, c): |
03 |
'''回调函数 |
04 |
@a: 已经下载的数据块 |
05 |
@b: 数据块的大小 |
06 |
@c: 远程文件的大小 |
07 |
''' |
08 |
per = 100.0 * a * b / c |
09 |
if per > 100: |
10 |
per = 100 |
11 |
print '%.2f%%' % per |
12 |
|
13 |
url = 'http://www.google.com' |
14 |
local = 'd://google.html' |
15 |
urllib.urlretrieve(url, local, cbk) |
在 Python Shell 里执行如下：
01 |
Python 2.7.5 (default, May 15 2013, 22:44:16) [MSC v.1500 64 bit (AMD64)] on win32 |
02 |
Type "copyright", "credits" or "license()" for more information. |
03 |
>>> import urllib |
04 |
>>> def cbk(a, b, c): |
05 |
'''回调函数 |
06 |
@a: 已经下载的数据块 |
07 |
@b: 数据块的大小 |
08 |
@c: 远程文件的大小 |
09 |
''' |
10 |
per = 100.0 * a * b / c |
11 |
if per > 100: |
12 |
per = 100 |
13 |
print '%.2f%%' % per |
14 |
15 |
|
16 |
>>> url = 'http://www.google.com' |
17 |
>>> local = 'd://google.html' |
18 |
>>> urllib.urlretrieve(url, local, cbk) |
19 |
-0.00% |
20 |
-819200.00% |
21 |
-1638400.00% |
22 |
-2457600.00% |
23 |
('d://google.html', <httplib.HTTPMessage instance at 0x0000000003450608>) |
24 |
>>> |
下面是 urlretrieve() 下载文件实例，可以显示下载进度。
01 |
#!/usr/bin/python |
02 |
#encoding:utf-8 |
03 |
import urllib |
04 |
import os |
05 |
def Schedule(a,b,c): |
06 |
''''' |
07 |
a:已经下载的数据块 |
08 |
b:数据块的大小 |
09 |
c:远程文件的大小 |
10 |
''' |
11 |
per = 100.0 * a * b / c |
12 |
if per > 100 : |
13 |
per = 100 |
14 |
print '%.2f%%' % per |
16 |
#local = url.split('/')[-1] |
17 |
local = os.path.join('/data/software','Python-2.7.5.tar.bz2') |
18 |
urllib.urlretrieve(url,local,Schedule) |
19 |
######output###### |
20 |
#0.00% |
21 |
#0.07% |
22 |
#0.13% |
23 |
#0.20% |
24 |
#.... |
25 |
#99.94% |
26 |
#100.00% |
通过上面的练习可以知道，urlopen() 可以轻松获取远端 html 页面信息，然后通过 python 正则对所需要的数据进行分析，匹配出想要用的数据，在利用urlretrieve() 将数据下载到本地。对于访问受限或者对连接数有限制的远程 url 地址可以采用 proxies（代理的方式）连接，如果远程数据量过大，单线程下载太慢的话可以采用多线程下载，这个就是传说中的爬虫。