python爬虫中的 urllib 模块浅析

来源：互联网发布：指针可以当数组用吗编辑：程序博客网时间：2024/05/17 06:02

python 3.x中urllib库和urilib2库合并成了urllib库，

比如你在python 2.x中引入 import urllib2 ，你在python 3.x 就不能引入 import urllib ，而应该是 import urllib.request

其中urllib2.urlopen()变成了urllib.request.urlopen()

urllib2.Request()变成了urllib.request.Request()

python3对urllib和urllib2进行了重构，拆分成了urllib.request, urllib.response, urllib.parse, urllib.error等几个子模块，这样的架构从逻辑和结构上说更加合理。urljoin现在对应的函数是urllib.parse.urljoin

urllib模块中的方法

urllib 库有以下几个主要文件文件：error.py parse.py request.py response.py robotparser.py

1.urllib.request.urlopen(url[,data[,proxies]])

打开一个url的方法，返回一个文件对象，然后可以进行类似文件对象的操作。本例试着打开google

>>> import urllib>>> f = urllib.urlopen('http://www.google.com.hk/')>>> firstLine = f.readline()   #读取html页面的第一行>>> firstLine'<!doctype html><html itemscope="" itemtype="http://schema.org/WebPage"><head><meta content="/images/google_favicon_128.png" itemprop="image"><title>Google</title><script>(function(){\n'

urlopen返回对象提供方法：

- 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请求成功完成;404网址未找到

- geturl()：返回请求的url

2.urllib.urlretrieve(url[,filename[,reporthook[,data]]])

urlretrieve方法将url定位到的html文件下载到你本地的硬盘中。如果不指定filename，则会存为临时文件。

urlretrieve()返回一个二元组(filename,mine_hdrs)

临时存放：

>>> filename = urllib.request.urlretrieve('http://www.google.com.hk/')>>> type(filename)<type 'tuple'>>>> filename[0]'/tmp/tmp8eVLjq'>>> filename[1]<httplib.HTTPMessage instance at 0xb6a363ec>

存为本地文件:

>>> filename = urllib.urlretrieve('http://www.google.com.hk/',filename='/home/dzhwen/python文件/Homework/urllib/google.html')>>> type(filename)<type 'tuple'>>>> filename[0]'/home/dzhwen/python\xe6\x96\x87\xe4\xbb\xb6/Homework/urllib/google.html'>>> filename[1]<httplib.HTTPMessage instance at 0xb6e2c38c>

3.urllib.request.urlcleanup()

清除由于urllib.request.urlretrieve()所产生的缓存

4.urllib.request.quote(url)和urllib.request.quote_plus(url)

将url数据获取之后，并将其编码，从而适用与URL字符串中，使其能被打印和被web服务器接受。

>>> urllib.request.quote('http://www.baidu.com')'http%3A//www.baidu.com'>>> urllib.request.quote_plus('http://www.baidu.com')'http%3A%2F%2Fwww.baidu.com'

5.urllib.request.unquote(url)和urllibrequest.unquote_plus(url)

与4的函数相反。

6.urllib.request.urlencode(query)

将URL中的键值对以连接符&划分

这里可以与urlopen结合以实现post方法和get方法：

GET方法：

>>> import urllib.request>>> params=urllib.request.urlencode({'spam':1,'eggs':2,'bacon':0})>>> params'eggs=2&bacon=0&spam=1'>>> f=urllib.request.urlopen("http://python.org/query?%s" % params)>>> print f.read()

POST方法：

>>> import urllib>>> parmas = urllib.request,urlencode({'spam':1,'eggs':2,'bacon':0})>>> f=urllib.request.urlopen("http://python.org/query",parmas)>>> f.read()

基本就这些，关于对象获取的方法就不赘述了。

1 0

python爬虫中的 urllib 模块 浅析