urllib模块提供的上层接口，使我们可以像读取本地文件一样读取www和ftp上的数据。每当使用这个模块的时候，老是会想起公司产品的客户端，同事用C++下载Web上的图片，那种“痛苦”的表情。我以前翻译过libcurl教程，这是在C/C++环境下比较方便实用的网络操作库，相比起libcurl，Python的urllib模块的使用门槛则低多了。可能有些人又会用效率来批评Python，其实在操作网络，或者在集群交互的时候，语言的执行效率绝不是瓶颈。这种情况下，一个比较好的方法是，将python嵌入到C/C++中，让Python来完成一些不是核心的逻辑处理。又扯远了，废话少说，开始urllib之旅吧~~（前几天我用这个模块写了个蜘蛛，感兴趣的同学可以在以前的博客中找到代码）
先看一个例子，这个例子把Google首页的html抓取下来并显示在控制台上：
viewplaincopytoclipboardprint?
1.#别惊讶，整个程序确实只用了两行代码
2.importurllib
3.printurllib.urlopen('http://www.google.com').read()
#别惊讶，整个程序确实只用了两行代码
importurllib
printurllib.urlopen('http://www.google.com').read()
urllib.urlopen(url[,data[,proxies]]):
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(玩过web的人应该知道提交数据的两种方式：post与get。如果你不清楚，也不必太在意，一般情况下很少用到这个参数)；参数proxies用于设置代理（这里不详细讲怎么使用代理，感兴趣的看客可以去翻阅Python手册urllib模块）。urlopen返回一个类文件对象，他提供了如下方法：
*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；
下面来扩充一下上面的例子，看官可以运行一下这个例子，加深对urllib的印象：
viewplaincopytoclipboardprint?
1.google=urllib.urlopen('http://www.google.com')
2.print'httpheader:\n',google.info()
3.print'httpstatus:',google.getcode()
4.print'url:',google.geturl()
5.forlineingoogle:#就像在操作本地文件
6.printline,
7.google.close()
google=urllib.urlopen('http://www.google.com')
print'httpheader:\n',google.info()
print'httpstatus:',google.getcode()
print'url:',google.geturl()
forlineingoogle:#就像在操作本地文件
printline,
google.close()
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。我们可以利用这个回调函数来显示当前的下载进度，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。下面通过例子来演示一下这个方法的使用，这个例子将新浪首页的html抓取到本地，保存在D:\sina.html文件中，同时显示下载的进度。
viewplaincopytoclipboardprint?
1.defcbk(a,b,c):
2.'''''回调函数
3.@a:已经下载的数据块
4.@b:数据块的大小
5.@c:远程文件的大小
6.'''
7.per=100.0*a*b/c
8.ifper>100:
9.per=100
10.print'%.2f%%'%per
11.
12.url='http://www.sina.com.cn'
13.local='d:\\sina.html'
14.urllib.urlretrieve(url,local,cbk)
defcbk(a,b,c):
'''回调函数
@a:已经下载的数据块
@b:数据块的大小
@c:远程文件的大小
'''
per=100.0*a*b/c
ifper>100:
per=100
print'%.2f%%'%per
url='http://www.sina.com.cn'
local='d:\\sina.html'
urllib.urlretrieve(url,local,cbk)
上面介绍的两个方法是urllib中最常用的方法，这些方法在获取远程数据的时候，内部会使用URLopener或者FancyURLOpener类。作为urllib的使用者，我们很少会用到这两个类，这里我不想多讲。如果对urllib的实现感兴趣，或者希望urllib支持更多的协议，可以研究这两个类。在Python手册中，urllib的作者还列出了这个模块的缺陷和不足，感兴趣的同学可以打开Python手册了解一下。
urllib中还提供了一些辅助方法，用于对url进行编码、解码。url中是不能出现一些特殊的符号的，有些符号有特殊的用途。我们知道以get方式提交数据的时候，会在url中添加key=value这样的字符串，所以在value中是不允许有'='，因此要对其进行编码；与此同时服务器接收到这些参数的时候，要进行解码，还原成原始的数据。这个时候，这些辅助方法会很有用：
*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':'dark-bull','age':200}将被转换为"name=dark-bull&age=200"
*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；
用一个例子来体验一下这些方法吧~~：
viewplaincopytoclipboardprint?
1.data='name=~a+3'
2.
3.data1=urllib.quote(data)
4.printdata1#result:name%20%3D%20%7Ea%2B3
5.printurllib.unquote(data1)#result:name=~a+3
6.
7.data2=urllib.quote_plus(data)
8.printdata2#result:name+%3D+%7Ea%2B3
9.printurllib.unquote_plus(data2)#result:name=~a+3
10.
11.data3=urllib.urlencode({'name':'dark-bull','age':200})
12.printdata3#result:age=200&name=dark-bull
13.
14.data4=urllib.pathname2url(r'd:\a\b\c\23.php')
15.printdata4#result:///D|/a/b/c/23.php
16.printurllib.url2pathname(data4)#result:D:\a\b\c\23.php
data='name=~a+3'
data1=urllib.quote(data)
printdata1#result:name%20%3D%20%7Ea%2B3
printurllib.unquote(data1)#result:name=~a+3
data2=urllib.quote_plus(data)
printdata2#result:name+%3D+%7Ea%2B3
printurllib.unquote_plus(data2)#result:name=~a+3
data3=urllib.urlencode({'name':'dark-bull','age':200})
printdata3#result:age=200&name=dark-bull
data4=urllib.pathname2url(r'd:\a\b\c\23.php')
printdata4#result:///D|/a/b/c/23.php
printurllib.url2pathname(data4)#result:D:\a\b\c\23.php
|
|
转播
