网页抓取

1.urlopen()方法
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。
urlopen返回 一个类文件对象，它提供了如下方法：
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；
代码示例：
复制代码 代码如下:


import urllib
url = "http://www.baidu.com/"
#urlopen()
sock = urllib.urlopen(url)
htmlCode = sock.read()
sock.close
fp = open("e:/1.html","wb")
fp.write(htmlCode)
fp.close
#urlretrieve()
urllib.urlretrieve(url, 'e:/2.html')
2.urlretrieve方法
直接将远程数据下载到本地。
复制代码 代码如下:


urllib.urlretrieve(url[, filename[, reporthook[, data]]])
参数说明：
url：外部或者本地url
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）；
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。
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。
复制代码 代码如下:


import urllib
def callbackfunc(blocknum, blocksize, totalsize):
'''回调函数
@blocknum: 已经下载的数据块
@blocksize: 数据块的大小
@totalsize: 远程文件的大小
'''
percent = 100.0 * blocknum * blocksize / totalsize
if percent > 100:
percent = 100
print "%.2f%%"% percent
url = 'http://www.sina.com.cn'
local = 'd:\\sina.html'

urllib.urlretrieve(url, local, callbackfunc)

可以把urllib2当作urllib的扩增，比较明显的优势是urllib2.urlopen()可以接受Request对象作为参数，从而可以控制HTTP Request的header部。

做HTTP Request时应当尽量使用urllib2库，但是urllib.urlretrieve()函数以及urllib.quote等一系列quote和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。

urllib.open()这里传入的参数要遵循一些协议，比如http，ftp，file等。例如：

urllib.open('http://www.baidu.com')

urllib.open('file:D\Python\Hello.py')

现在有一个例子，下载一个网站上所有gif格式的图片。那么Python代码如下：

[python] view plaincopy

1. import re  
2. import urllib  
3.   
4. def getHtml(url):  
5.     page = urllib.urlopen(url)  
6.     html = page.read()  
7.     return html  
8.   
9. def getImg(html):  
10.     reg = r'src="(.*?\.gif)"'  
11.     imgre = re.compile(reg)  
12.     imgList = re.findall(imgre,html)  
13.     print imgList  
14.     cnt = 1  
15.     for imgurl in imgList:  
16.         urllib.urlretrieve(imgurl,'%s.jpg' %cnt)  
17.         cnt += 1  
18.   
19. if __name__ == '__main__':  
20.     html = getHtml('http://www.baidu.com')  
21.     getImg(html)  

根据上面的方法，我们可以抓取一定的网页，然后提取我们所需要的数据。

实际上，我们利用urllib这个模块来做网络爬虫效率是极其低下的，下面我们来介绍Tornado Web Server。

Tornado web server是使用Python编写出来的一个极轻量级、高可伸缩性和非阻塞IO的Web服务器软件，著名的Friendfeed网站就是使用它搭建的。Tornado跟其他主流的Web服务器框架（主要是Python框架）不同是采用epoll非阻塞IO，响应快速，可处理数千并发连接，特别适用用于实时的Web服务。

用Tornado Web Server来抓取网页效率会比较高。

从Tornado的官网来看，还要安装backports.ssl_match_hostname，官网如下：

http://www.tornadoweb.org/en/stable/

[python] view plaincopy

1. import tornado.httpclient  
2.   
3. def Fetch(url):  
4.     http_header = {'User-Agent' : 'Chrome'}  
5.     http_request = tornado.httpclient.HTTPRequest(url=url,method='GET',headers=http_header,connect_timeout=200,request_timeout=600)  
6.     print 'Hello'  
7.     http_client = tornado.httpclient.HTTPClient()  
8.     print 'Hello World'  
9.   
10.     print 'Start downloading data...'  
11.     http_response = http_client.fetch(http_request)  
12.     print 'Finish downloading data...'  
13.   
14.     print http_response.code  
15.   
16.     all_fields = http_response.headers.get_all()  
17.     for field in all_fields:  
18.         print field  
19.   
20.     print http_response.body  
21.   
22. if __name__ == '__main__':  
23.     Fetch('http://www.baidu.com')