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?”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?”,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?")
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;
urllib.urlretrieve(url[,filename[,reporthook[,data]]]): defDownCall(count,size,total_filesize): url="http://www.research.rutgers.edu/~rohanf/LP.pdf" 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; 6.3.2urllib2模块(引自:http://hankjin.blog.163.com/blog/static/3373193720105140583594/) 使用opener和handler 6.3.3httplib模块(引自:http://hi.baidu.com/avengert/item/be5daec8517b12ddee183b81) 下面详细介绍httplib提供的常用类型和方法。 Httplib模块中还定义了许多常量,如: urlname=urllib.quote("马伊?")
#!/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
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
"""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)+"%)"
localfilepath=r"C:\Users\Administrator\Desktop\download.pdf"
urllib.urlretrieve(url,localfilepath,DownCall)
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;
使用Python访问网页主要有三种方式:urllib,urllib2,httplib
urllib比较简单,功能相对也比较弱,httplib简单强大,但好像不支持session
(1)最简单的页面访问
res=urllib2.urlopen(url)
printres.read()
(2)加上要get或post的数据
data={"name":"hank","passwd":"hjz"}
urllib2.urlopen(url,urllib.urlencode(data))
(3)加上http头
header={"User-Agent":"Mozilla-Firefox5.0"}
urllib2.urlopen(url,urllib.urlencode(data),header)
opener=urllib2.build_opener(handler)
urllib2.install_opener(opener)
(4)加上session
cj=cookielib.CookieJar()
cjhandler=urllib2.HTTPCookieProcessor(cj)
opener=urllib2.build_opener(cjhandler)
urllib2.install_opener(opener)
(5)加上Basic认证
password_mgr=urllib2.HTTPPasswordMgrWithDefaultRealm()
top_level_url="http://www.163.com/"
password_mgr.add_password(None,top_level_url,username,password)
handler=urllib2.HTTPBasicAuthHandler(password_mgr)
opener=urllib2.build_opener(handler)
urllib2.install_opener(opener)
(6)使用代理
proxy_support=urllib2.ProxyHandler({"http":"http://1.2.3.4:3128/"})
opener=urllib2.build_opener(proxy_support)
urllib2.install_opener(opener)
(7)设置超时
socket.setdefaulttimeout(5)
httplib是python中http协议的客户端实现,可以使用该模块来与HTTP服务器进行交互。httplib的内容不是很多,也比较简单。以下是一个非常简单的例子,使用httplib获取google首页的html:
#coding=gbk
importhttplib
conn=httplib.HTTPConnection("www.google.cn")
conn.request("get","/")
printconn.getresponse().read()
conn.close()
httplib.HTTPConnection(host[,port[,strict[,timeout]]])
HTTPConnection类的构造函数,表示一次与服务器之间的交互,即请求/响应。参数host表示服务器主机,如:www.csdn.net;port为端口号,默认值为80;参数strict的默认值为false,表示在无法解析服务器返回的状态行时(statusline)(比较典型的状态行如:HTTP/1.0200OK),是否抛BadStatusLine异常;可选参数timeout表示超时时间。
HTTPConnection提供的方法:
HTTPConnection.request(method,url[,body[,headers]])
调用request方法会向服务器发送一次请求,method表示请求的方法,常用有方法有get和post;url表示请求的资源的url;body表示提交到服务器的数据,必须是字符串(如果method是"post",则可以把body理解为html表单中的数据);headers表示请求的http头。
HTTPConnection.getresponse()
获取Http响应。返回的对象是HTTPResponse的实例,关于HTTPResponse在下面会讲解。
HTTPConnection.connect()
连接到Http服务器。
HTTPConnection.close()
关闭与服务器的连接。
HTTPConnection.set_debuglevel(level)
设置高度的级别。参数level的默认值为0,表示不输出任何调试信息。
httplib.HTTPResponse
HTTPResponse表示服务器对客户端请求的响应。往往通过调用HTTPConnection.getresponse()来创建,它有如下方法和属性:
HTTPResponse.read([amt])
获取响应的消息体。如果请求的是一个普通的网页,那么该方法返回的是页面的html。可选参数amt表示从响应流中读取指定字节的数据。
HTTPResponse.getheader(name[,default])
获取响应头。Name表示头域(headerfield)名,可选参数default在头域名不存在的情况下作为默认值返回。
HTTPResponse.getheaders()
以列表的形式返回所有的头信息。
HTTPResponse.msg
获取所有的响应头信息。
HTTPResponse.version
获取服务器所使用的http协议版本。11表示http/1.1;10表示http/1.0。
HTTPResponse.status
获取响应的状态码。如:200表示请求成功。
HTTPResponse.reason
返回服务器处理请求的结果说明。一般为”OK”
下面通过一个例子来熟悉HTTPResponse中的方法:
#coding=gbk
importhttplib
conn=httplib.HTTPConnection("www.g.cn",80,False)
conn.request("get","/",headers={"Host":"www.google.cn",
"User-Agent":"Mozilla/5.0(Windows;U;WindowsNT5.1;zh-CN;rv:1.9.1)Gecko/20090624Firefox/3.5",
"Accept":"text/plain"})
res=conn.getresponse()
print"version:",res.version
print"reason:",res.reason
print"status:",res.status
print"msg:",res.msg
print"headers:",res.getheaders()
#html
#print"\n"+"-"*50+"\n"
#printres.read()
conn.close()
Httplib.HTTP_PORT的值为80,表示默认的端口号为80;
Httplib.OK的值为200,表示请求成功返回;
Httplib.NOT_FOUND的值为40表示请求的资源不存在;
可以通过httplib.responses查询相关变量的含义,如:
Printhttplib.responses[httplib.NOT_FOUND]
6.3.4mechanize
mechanize没有找到比较完整的介绍,自己写了一个简单的例子如下。
#-*-coding:cp936-*-
importtime,string
importmechanize,urllib
frommechanizeimportBrowser
br=Browser()
br.set_handle_robots(False)##ignoretherobots.txt
urlhttp=r"http://www.baidu.com/s?"+urlname+"&pn=10&rn=20&ie=utf-8&usm=4&rsv_page=1"
response=br.open(urlhttp)
filename="temp.html"
f=open(filename,"w")
f.write(response.read())
f.close()相关文章