python爬虫

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 urlliburl = "http://www.baidu.com/"#urlopen()sock = urllib.urlopen(url)htmlCode = sock.read()sock.closefp = open("/home/geeklee/1.html","wb")fp.write(htmlCode)fp.close#urlretrieve()urllib.urlretrieve(url, '/home/geeklee/2.html')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14

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 urllibdefcallbackfunc(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%%"% percenturl ='http://www.sina.com.cn'local = '/home/geeklee/1.html'urllib.urlretrieve(url, local, callbackfunc)

注：python3使用urllib的方式有所变化：

import urllib.request  

url="http://www.baidu.com"  

get=urllib.request.urlopen(url).read()  

print(get)

（正确的方法）