Python urllib的urlretrieve()函数解析Python的爬虫函数

下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。

1>>> help(urllib.urlretrieve)

2Help on function urlretrieve in module urllib:

3 

4urlretrieve(url, filename=None, reporthook=None, data=None)

• 参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
• 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时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
• 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(filename, headers)元组，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 google 的 html 抓取到本地，保存在 D:/google.html 文件中，同时显示下载的进度。

01import urllib

02def cbk(a, b, c): 

03    '''回调函数

04    @a: 已经下载的数据块

05    @b: 数据块的大小

06    @c: 远程文件的大小

07    ''' 

08    per = 100.0 * a * b / c 

09    if per > 100: 

10        per = 100 

11    print '%.2f%%' % per

12   

13url = 'http://www.google.com'

14local = 'd://google.html'

15urllib.urlretrieve(url, local, cbk)

在 Python Shell 里执行如下：

01Python 2.7.5 (default, May 15 2013, 22:44:16) [MSC v.1500 64 bit (AMD64)] on win32

02Type "copyright", "credits" or "license()" for more information.

03>>> import urllib

04>>> def cbk(a, b, c): 

05    '''回调函数

06    @a: 已经下载的数据块

07    @b: 数据块的大小

08    @c: 远程文件的大小

09    ''' 

10    per = 100.0 * a * b / c 

11    if per > 100: 

12        per = 100 

13    print '%.2f%%' % per

14 

15     

16>>> url = 'http://www.google.com'

17>>> local = 'd://google.html'

18>>> urllib.urlretrieve(url, local, cbk)

19-0.00%

20-819200.00%

21-1638400.00%

22-2457600.00%

23('d://google.html', <httplib.HTTPMessage instance at 0x0000000003450608>)

24>>>

下面是 urlretrieve() 下载文件实例，可以显示下载进度。

01#!/usr/bin/python

02#encoding:utf-8

03import urllib

04import os

05def Schedule(a,b,c):

06    '''''

07    a:已经下载的数据块

08    b:数据块的大小

09    c:远程文件的大小

10   '''

11    per = 100.0 * a * b / c

12    if per > 100 :

13        per = 100

14    print '%.2f%%' % per

15url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2'

16#local = url.split('/')[-1]

17local = os.path.join('/data/software','Python-2.7.5.tar.bz2')

18urllib.urlretrieve(url,local,Schedule)

19######output######

20#0.00%

21#0.07%

22#0.13%

23#0.20%

24#....

25#99.94%

26#100.00%

通过上面的练习可以知道，urlopen() 可以轻松获取远端 html 页面信息，然后通过 python 正则对所需要的数据进行分析，匹配出想要用的数据，在利用urlretrieve() 将数据下载到本地。对于访问受限或者对连接数有限制的远程 url 地址可以采用 proxies（代理的方式）连接，如果远程数据量过大，单线程下载太慢的话可以采用多线程下载，这个就是传说中的爬虫。