前阶段使用到ftp，写了个工具脚本
最近需要抓网页，看了下抓取方式
需求：抓取网页，解析获取内容
涉及库：【重点urllib2】
urllib
urllib2
httplib
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) 转载请注明出处：
3.Python urllib2 的更多使用细节
这里总结了一些 urllib2 的使用细节。
- Proxy 的设置
- Timeout 设置
- 在 HTTP Request 中加入特定的 Header
- Redirect
- Cookie
- 使用 HTTP 的 PUT 和 DELETE 方法
- 得到 HTTP 的返回码
- Debug Log
Proxy 的设置
urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用：
import urllib2enable_proxy = Trueproxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})null_proxy_handler = urllib2.ProxyHandler({})if enable_proxy: opener = urllib2.build_opener(proxy_handler)else: opener = urllib2.build_opener(null_proxy_handler)urllib2.install_opener(opener) 要加入 header，需要使用 Request 对象：这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。 Timeout 设置
老版 Python，urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。
在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。import urllib2import socketsocket.setdefaulttimeout(10) # 10 秒钟后超时urllib2.socket.setdefaulttimeout(10) # 另一种方式# ----------------import urllib2response = urllib2.urlopen('http://www.google.com', timeout=10) 在 HTTP Request 中加入特定的 Header
import urllib2request = urllib2.Request(uri)request.add_header('User-Agent', 'fake-client')response = urllib2.urlopen(request) Redirect对有些 header 要特别留意，服务器会针对这些 header 做检查：
- User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求。
- Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。常见的取值有：
- application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
- application/json ： 在 JSON RPC 调用时使用
- application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务
urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作，无需人工配置。要检测是否发生了 redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。
import urllib2response = urllib2.urlopen('http://www.google.cn')redirected = response.geturl() == 'http://www.google.cn' 如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义 HTTPRedirectHandler 类。
import urllib2class RedirectHandler(urllib2.HTTPRedirectHandler): def http_error_301(self, req, fp, code, msg, headers): pass def http_error_302(self, req, fp, code, msg, headers): passopener = urllib2.build_opener(RedirectHandler)opener.open('http://www.google.cn') Cookie
urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 项的值，可以这么做：
import urllib2import cookielibcookie = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))response = opener.open('http://www.google.com')for item in cookie: if item.name == 'some_cookie_item_name': print item.value 使用 HTTP 的 PUT 和 DELETE 方法
urllib2 只支持 HTTP 的 GET 和 POST 方法，如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或 DELETE 的请求：
import urllib2request = urllib2.Request(uri, data=data)request.get_method = lambda: 'PUT' # or 'DELETE'response = urllib2.urlopen(request)
这种做法虽然属于 Hack 的方式，但实际使用起来也没什么问题。
得到 HTTP 的返回码
对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：
import urllib2try: response = urllib2.urlopen('http://restrict.web.com')except urllib2.HTTPError, e: print e.code Debug Log
使用 urllib2 时，可以通过下面的方法把 debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时可以省去抓包的工作。
import urllib2httpHandler = urllib2.HTTPHandler(debuglevel=1)httpsHandler = urllib2.HTTPSHandler(debuglevel=1)opener = urllib2.build_opener(httpHandler, httpsHandler)urllib2.install_opener(opener)response = urllib2.urlopen('http://www.google.com')