python网络编程学习笔记(六):Web客户端访问
6.1最简单的爬虫
网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。python的urllib\urllib2等模块很容易实现这一功能,下面的例子实现的是对baidu首页的下载。具体代码如下:
importurllib2 page=urllib2.urlopen("http://www.baidu.com") printpage.read()
6.2提交表单数据
(1)用GET方法提交数据
提交表单的GET方法是把表单数据编码至URL。在给出请示的页面后,加上问号,接着是表单的元素。如在百度中搜索“马伊琍”得到url为http://www.baidu.com/s?wd=%E9%A9%AC%E4%BC%8A%E7%90%8D&pn=100&rn=20&ie=utf-8&usm=4&rsv_page=1。其中?后面为表单元素。wd=%E9%A9%AC%E4%BC%8A%E7%90%8D表示搜索的词是“马伊琍”,pn表示从第100条信息所在页开始显示(感觉是这样,我试了几次,当写100时,从其所在页显示,但如果写10,就是从第1页显示),rn=20表示每页显示20条,ie=utf-8表示编码格式,usm=4没明白是什么意思,换了1、2、3试了下,没发现什么变化,rsv_page=1表示第几页。如果要下载以上页面比较简单的方法是直接用上面的网址进行提取。如代码:
importurllib2 keyword=urllib.quote('马伊琍') page=urllib2.urlopen("http://www.baidu.com/s?wd="+keyword+"&pn=100&rn=20&ie=utf-8&usm=4&rsv_page=1") printpage.read()
(2)用post方法提交
GET方法中,数据是被加到URL上,这种方法数据量要求不大,如果需要交换大量数据的时间,POST方法是一个很好的方法。这里以前段时间写的博客《python模拟163登陆获取邮件列表》为例,具体代码不在列出,详见地址:http://www.cnblogs.com/xiaowuyi/archive/2012/05/21/2511428.html。
6.3urllib,urllib2,httplib,mechanize的介绍
6.3.1urllib模块(引自:http://my.oschina.net/duhaizhang/blog/68893)
urllib模块提供接口可以使我们像访问本地文件一样来读取www和ftp上的数据。模块中最重要的两个函数分别是:urlopen()和urlretrieve()。
urllib.urlopen(url[,data[,proxies]]):
本函数创建一个表示远程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;参数proxies用于设置代理。urlopen返回一个类文件对象,返回的类文件对象提供了如下方法:
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表示请求成功完成;404表示网址未找到;
geturl():返回请求的url;
#!/usr/bin/envpython #coding=utf-8 importurllib content=urllib.urlopen("http://www.baidu.com") print"httpheader:",content.info() print"httpstatus:",content.getcode() print"url:",content.geturl() print"content:" forlineincontent.readlines(): printline
urllib.urlretrieve(url[,filename[,reporthook[,data]]]):
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(即每下载一块就调用一次回调函数)。我们可以利用这个回调函数来显示当前的下载进度,也可以用于限速,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。
#!/usr/bin/envpython #coding:utf-8 """下载文件,并显示下载进度""" importurllib
defDownCall(count,size,total_filesize): """count为已下载数据块个数,size为数据块的大小,total_filesize为文件总大小""" per=100.0*count*size/total_filesize ifper>100: per=100 print"Alreadydownload%dKB(%.2f" %(count*size/1024,per)+"%)"
url="http://www.research.rutgers.edu/~rohanf/LP.pdf" localfilepath=r"C:\Users\Administrator\Desktop\download.pdf" urllib.urlretrieve(url,localfilepath,DownCall)