urllib模塊提供的上層接口，使我們可以像讀取本地文件一樣讀取www和ftp上的數據。每當使用這個模塊的時候，老是會想起公司產品的客戶端，同事用C++下載Web上的圖片，那種“痛苦”的表情。我以前翻譯過libcurl教程，這是在C/C++環境下比較方便實用的網絡操作庫，相比起libcurl，Python的urllib模塊的使用門檻則低多了。可能有些人又會用效率來批評Python，其實在操作網絡，或者在集群交互的時候， 語言的執行效率絕不是瓶頸。這種情況下，一個比較好的方法是，將python嵌入到C/C++中，讓Python來完成一些不是核心的邏輯處理。又扯遠了，廢話少說，開始urllib之旅吧~~ （前幾天我用這個模塊寫了個蜘蛛，感興趣的同學可以在以前的博客中找到代碼）
先看一個例子，這個例子把Google首頁的html抓取下來并顯示在控制臺上：
|
1
2
3
4
5
|
# 別驚訝，整個程序確實只用了兩行代碼import urllibprint urllib.urlopen('http://www.google.com').read()urllib.urlopen(url[, data[, proxies]]) : |
創建一個表示遠程url的類文件對象，然后像本地文件一樣操作這個類文件對象來獲取遠程數據。參數url表示遠程數據的路徑，一般是網址；參數data表示以post方式提交到url的數據(玩過web的人應該知道提交數據的兩種方式：post與get。如果你不清楚，也不必太在意，一般情況下很少用到這個參數)；參數proxies用于設置代理（這里不詳細講怎么使用代理，感興趣的看客可以去翻閱Python手冊urllib模塊）。urlopen返回 一個類文件對象，他提供了如下方法：
- read() , readline() , readlines() , fileno() , close() ：這些方法的使用方式與文件對象完全一樣;
- info()：返回一個httplib.HTTPMessage 對象，表示遠程服務器返回的頭信息；
- getcode()：返回Http狀態碼。如果是http請求，200表示請求成功完成;404表示網址未找到；
- geturl()：返回請求的url；
下面來擴充一下上面的例子，看官可以運行一下這個例子，加深對urllib的印象：
|
1
2
3
4
5
6
7
8
9
|
google = urllib.urlopen('http://www.google.com')print 'http header:/n', google.info()print 'http status:', google.getcode()print 'url:', google.geturl()for line in google: # 就像在操作本地文件 print line,google.close()urllib.urlretrieve(url[, filename[, reporthook[, data]]])： |
urlretrieve方法直接將遠程數據下載到本地。參數filename指定了保存到本地的路徑（如果未指定該參數，urllib會生成一個臨時文件來保存數據）；參數reporthook是一個回調函數，當連接上服務器、以及相應的數據塊傳輸完畢的時候會觸發該回調。我們可以利用這個回調函 數來顯示當前的下載進度，下面的例子會展示。參數data指post到服務器的數據。該方法返回一個包含兩個元素的元組(filename, headers)，filename表示保存到本地的路徑，header表示服務器的響應頭。下面通過例子來演示一下這個方法的使用，這個例子將新浪首頁的html抓取到本地，保存在D:/sina.html文件中，同時顯示下載的進度。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
def cbk(a, b, c): '''回調函數 @a: 已經下載的數據塊 @b: 數據塊的大小 @c: 遠程文件的大小 ''' per = 100.0 * a * b / c if per > 100: per = 100 print '%.2f%%' % perurl = 'http://www.sina.com.cn'local = 'd://sina.html'urllib.urlretrieve(url, local, cbk) |
上面介紹的兩個方法是urllib中最常用的方法，這些方法在獲取遠程數據的時候，內部會使用URLopener或者 FancyURLOpener類。作為urllib的使用者，我們很少會用到這兩個類，這里我不想多講。如果對urllib的實現感興趣， 或者希望urllib支持更多的協議，可以研究這兩個類。在Python手冊中，urllib的作者還列出了這個模塊的缺陷和不足，感興趣的同學可以打開 Python手冊了解一下。
urllib中還提供了一些輔助方法，用于對url進行編碼、解碼。url中是不能出現一些特殊的符號的，有些符號有特殊的用途。我們知道以get方式提交數據的時候，會在url中添加key=value這樣的字符串，所以在value中是不允許有'='，因此要對其進行編碼；與此同時服務器接收到這些參數的時候，要進行解碼，還原成原始的數據。這個時候，這些輔助方法會很有用：
- urllib.quote(string[, safe])：對字符串進行編碼。參數safe指定了不需要編碼的字符;
- urllib.unquote(string) ：對字符串進行解碼；
- urllib.quote_plus(string [ , safe ] ) ：與urllib.quote類似，但這個方法用'+'來替換' ‘，而quote用'%20′來代替' ‘
- urllib.unquote_plus(string ) ：對字符串進行解碼；
- urllib.urlencode(query[, doseq])：將dict或者包含兩個元素的元組列表轉換成url參數。例如 字典{‘name': ‘dark-bull', ‘age': 200}將被轉換為”name=dark-bull&age=200″
- urllib.pathname2url(path)：將本地路徑轉換成url路徑；
urllib.url2pathname(path)：將url路徑轉換成本地路徑；
用一個例子來體驗一下這些方法吧~~：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
data = 'name = ~a+3'data1 = urllib.quote(data)print data1 # result: name%20%3D%20%7Ea%2B3print urllib.unquote(data1) # result: name = ~a+3data2 = urllib.quote_plus(data)print data2 # result: name+%3D+%7Ea%2B3print urllib.unquote_plus(data2) # result: name = ~a+3data3 = urllib.urlencode({ 'name': 'dark-bull', 'age': 200 })print data3 # result: age=200&name=dark-bulldata4 = urllib.pathname2url(r'd:/a/b/c/23.php')print data4 # result: ///D|/a/b/c/23.phpprint urllib.url2pathname(data4) # result: D:/a/b/c/23.php |
urllib模塊的基本使用，就這么簡單。oh~~yeah~~又一個模塊寫完了，想想，我已經寫了將近30個模塊了，有時間我要好好整理一下@@@@
