python web編程-web客戶端編程

web應用也遵循客戶服務器架構

瀏覽器就是一個基本的web客戶端，她實現兩個基本功能，一個是從web服務器下載文件，另外一個是渲染文件

同瀏覽器具備相似功能以實現簡單的web客戶端的模塊式urllib以及urllib2（能夠打開須要登陸的網頁）等模塊

另外還有一些負載的web客戶端，它不只下載web文件，還執行其它複雜的任務，一個典型的例子就是爬蟲

python實現爬蟲也有一些框架模塊：如Scrapy

使用python建立一個簡單web客戶端

你要弄清楚瀏覽器只是web客戶端的一種，並且功能有限，任何經過web的請求的應用程序都是web客戶端

好比curl以及python的urllib

爲何是urllib呢而不是httplib呢？往下閱讀

什麼是URL？？？構成很重要

URL用來在Web 上定位一個文檔，或者調用一個CGI 程序來爲你的客戶端產生一個文檔。

CGI產生文檔就是像一些web框架吧，特別是python的

web客戶端其實也算是 文件傳輸，最爲直接方式就是直接使用url來定位和得到文件了，其實大部分客戶端都是靠這個

因此應該首先 瞭解一下url的構成

http://zh.wikipedia.org/zh/%E7%BB%9F%E4%B8%80%E8%B5%84%E6%BA%90%E5%AE%9A%E4%BD%8D%E7%AC%A6

 

python的URL模塊介紹：urllib及urlparse

Python 支持兩種不一樣的模塊，分別以不一樣的功能和兼容性來處理URL。一種是urlparse，一種

是urllib。

其中urlparse就是用來進行url解析與合成的。利用它你也能夠學習url的構成哦，關於它的用法你能夠help一下

urllib是一個高層次的模塊，urllib 模塊提供了全部你須要的功能，除非你計劃寫一個更加低層的網絡客戶端。urllib 提供

了了一個高級的Web 交流庫，支持Web 協議，HTTP， FTP 和Gopher 協議，同時也支持對本地文件的

訪問。urllib 模塊的特殊功能是利用上述協議下載數據(從因特網、局域網、主機上下載)。使用這

個模塊能夠避免使用httplib， ftplib 和gopherlib 這些模塊，除非你想用更低層的功能

urllib的主要功能就是從url來下載文件，想要了解這個模塊的功能能夠從下面幾個函數入手

urlopen()

urllib.urlretrieve()

urllib.quote() and urllib.quote_plus()

urllib.unquote() 和 urllib.unquote_plus()

urllib.urlencode()

 

urllib2

若是你打算訪問更加複雜的URL 或者想要處理更復雜的狀況如基於數字的權限驗證，重定位，

coockie 等問題，咱們建議你使用urllib2 模塊

這對於登錄來抓取數據是特別有用的

urllib3 

urllib2的升級版

Requests

該模塊創建在urllib3上面的，提供了比較友好的藉口，儘可能使用它，以減小代碼量

參考：http://blog.csdn.net/iloveyin/article/details/21444613

wget和python綁定

wget是一個linux命令行工具，專一下載功能，有關下載任務合適使用它的python綁定

curl和pycurl

curl是一個基礎的，先進的命令行工具（提供的功能相似於Request），也提供了各類語言的綁定

參考：http://www.ruanyifeng.com/blog/2011/09/curl.html

http://man.linuxde.net/curl

 

高級web客戶端

 

瀏覽器實現的實際上是一個簡單的web客戶端，基本的web客戶端從服務器下載文件，urllib以及urllib2以及上面介紹的這些模塊就是實現相似的功能

那麼高級的web客戶端就不僅是下載那麼簡單

高級Web 客戶端的一個例子就是網絡爬蟲（aka 蜘蛛和機器人）。這些程序能夠基於不一樣目的在

因特網上探索和下載頁面，其中包括：

1. 爲 Google 和Yahoo 這類大型的搜索引擎建索引
2. 脫機瀏覽—將文檔下載到本地，從新設定超連接，爲本地瀏覽器建立鏡像。（這個需求就是一般所說的下載整個在線的幫助文檔）
3.  下載並保存歷史記錄或框架
4.  Web 頁的緩存，節省再次訪問Web 站點的下載時間。

這裏給出一個爬蟲的實現

  1 #!/usr/bin/env python
  2 
  3 from sys import argv
  4 from os import makedirs, unlink, sep
  5 from os.path import isdir, exists, dirname, splitext
  6 from string import replace, find, lower
  7 from htmllib import HTMLParser
  8 from urllib import urlretrieve
  9 from urlparse import urlparse, urljoin
 10 from formatter import DumbWriter, AbstractFormatter
 11 from cStringIO import StringIO
 12 
 13 class Retriever(object):    # download Web pages
 14 
 15     def __init__(self, url):
 16         self.url = url
 17         self.file = self.filename(url)
 18 
 19     def filename(self, url, deffile='index.htm'):
 20         parsedurl = urlparse(url, 'http:', 0)  # parse path
 21         path = parsedurl[1] + parsedurl[2]
 22         ext = splitext(path)
 23         if ext[1] == '':
 24             if path[-1] == '/':
 25                 path += deffile
 26             else:
 27                 path += '/' + deffile
 28         ldir = dirname(path)    # local directory
 29     if sep != '/':        # os-indep. path separator
 30         ldir = replace(ldir, ',', sep)
 31         if not isdir(ldir):      # create archive dir if nec.
 32             if exists(ldir): unlink(ldir)
 33             makedirs(ldir)
 34         return path
 35 
 36     def download(self):        # download Web page
 37         try:
 38             retval = urllib.urlretrieve(self.url, self.file)
 39         except IOError:
 40             retval = ('*** ERROR: invalid URL "%s"' % \
 41                 self.url, )
 42         return retval
 43 
 44     def parseAndGetLinks(self):    # pars HTML, save links
 45         self.parser = HTMLParser(AbstractFormatter( \
 46             DumbWriter(StringIO())))
 47         self.parser.feed(open(self.file).read())
 48         self.parser.close()
 49         return self.parse.anchorlist
 50 
 51 class Crawler(object):        # manage entire crawling process
 52 
 53     count = 0            # static downloaded page counter
 54 
 55     def __init__(self, url):
 56         self.q = [url]
 57         self.seen = []
 58         self.dom = urlparse(url)[1]
 59 
 60     def getPage(self, url):
 61         r = Retriever(url)
 62         retval = r.download()
 63         if retval[0] == '*':     # error situation, do not parse
 64             print retval, '... skipping parse'
 65             return
 66         Crawler.count = Crawler.count + 1
 67         print '\n(', Crawler.count, ')'
 68         print 'URL:', url
 69         print 'FILE:', retval[0]
 70         self.seen.append(url)
 71 
 72         links = r.parseAndGetLinks()  # get and process links
 73         for eachLink in links:
 74             if eachLink[:4] != 'http' and \
 75                     find(eachLink, '://') == -1:
 76                 eachLink = urljoin(url, eachLink)
 77             print '* ', eachLink,
 78 
 79             if find(lower(eachLink), 'mailto:') != -1:
 80                 print '... discarded, mailto link'
 81                 continue
 82 
 83             if eachLink not in self.seen:
 84                 if find(eachLink, self.dom) == -1:
 85                     print '... discarded, not in domain'
 86                 else:
 87                     if eachLink not in self.q:
 88                         self.q.append(eachLink)
 89                         print '... new, added to Q'
 90                     else:
 91                         print '... discarded, already in Q'
 92             else:
 93                     print '... discarded, already processed'
 94 
 95     def go(self):                # process links in queue
 96         while self.q:
 97             url = self.q.pop()
 98             self.getPage(url)
 99 
100 def main():
101     if len(argv) > 1:
102         url = argv[1]
103     else:
104         try:
105             url = raw_input('Enter starting URL: ')
106         except (KeyboardInterrupt, EOFError):
107             url = ''
108 
109     if not url: return
110     robot = Crawler(url)
111     robot.go()
112 
113 if __name__ == '__main__':
114     main()

View Code

 

實際上這裏也有一些爬蟲的庫，很少介紹