Python網頁抓取urllib,urllib2,httplib

前階段使用到ftp，寫了個工具腳本http://blog.csdn.net/wklken/article/details/7059423

最近須要抓網頁，看了下Python抓取方式

需求：抓取網頁，解析獲取內容

涉及庫：【重點urllib2】

urllib   http://docs.python.org/library/urllib.html

urllib2  http://docs.python.org/library/urllib2.html

httplib   http://docs.python.org/library/httplib.html

 

使用urllib:

1. 抓取網頁信息

urllib.urlopen(url[, data[, proxies]]) :

url: 表示遠程數據的路徑
data: 以post方式提交到url的數據
proxies:用於設置代理
urlopen返回對象提供方法：
-         read() , readline() ,readlines() , fileno() , close() ：這些方法的使用方式與文件對象徹底同樣
-         info()：返回一個httplib.HTTPMessage對象，表示遠程服務器返回的頭信息
-         getcode()：返回Http狀態碼。若是是http請求，200請求成功完成;404網址未找到
-         geturl()：返回請求的url

使用：

#!/usr/bin/python  
# -*- coding:utf-8 -*-  
# urllib_test.py  
# author:wklken  
# 2012-03-17  wklken#yeah.net   
  
import os  
import urllib  
url = "http://www.siteurl.com"  
  
def use_urllib():  
  import urllib, httplib  
  httplib.HTTPConnection.debuglevel = 1   
  page = urllib.urlopen(url)  
  print "status:", page.getcode() #200請求成功,404  
  print "url:", page.geturl()  
  print "head_info:\n",  page.info()  
  print "Content len:", len(page.read())

附帶的其餘方法：（主要是url編碼解碼）

-         urllib.quote(string[, safe])：對字符串進行編碼。參數safe指定了不須要編碼的字符
-         urllib.unquote(string) ：對字符串進行解碼
-         urllib.quote_plus(string [ , safe ] ) ：與urllib.quote相似，但這個方法用'+'來替換' '，而quote用'%20'來代替' '
-         urllib.unquote_plus(string ) ：對字符串進行解碼
-         urllib.urlencode(query[, doseq])：將dict或者包含兩個元素的元組列表轉換成url參數。例如 字典{'name': 'wklken', 'pwd': '123'}將被轉換爲"name=wklken&pwd=123"
-         urllib.pathname2url(path)：將本地路徑轉換成url路徑
-         urllib.url2pathname(path)：將url路徑轉換成本地路徑

使用：

def urllib_other_functions():  
  astr = urllib.quote('this is "K"')  
  print astr  
  print urllib.unquote(astr)  
  bstr = urllib.quote_plus('this is "K"')  
  print bstr  
  print urllib.unquote(bstr)  
  
  params = {"a":"1", "b":"2"}  
  print urllib.urlencode(params)  
  
  l2u = urllib.pathname2url(r'd:\a\test.py')  
  print l2u   
  print urllib.url2pathname(l2u)

 

2.下載遠程數據

urlretrieve方法直接將遠程數據下載到本地

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

• filename指定保存到本地的路徑（若未指定該，urllib生成一個臨時文件保存數據）
• reporthook回調函數，當鏈接上服務器、以及相應的數據塊傳輸完畢的時候會觸發該回調
• data指post到服務器的數據
• 該方法返回一個包含兩個元素的元組(filename, headers)，filename表示保存到本地的路徑，header表示服務器的響應頭。

def  callback_f(downloaded_size, block_size, romote_total_size):
  per = 100.0 * downloaded_size * block_size / romote_total_size
  if per > 100:
    per = 100 
  print "%.2f%%"% per 

def use_urllib_retrieve():
  import urllib
  local = os.path.join(os.path.abspath("./"), "a.html")
  print local
  urllib.urlretrieve(url,local,callback_f)

轉載請註明出處：http://blog.csdn.net/wklken

 

3.Python urllib2 的更多使用細節

這裏總結了一些 urllib2 的使用細節。

• Proxy 的設置
• Timeout 設置
• 在 HTTP Request 中加入特定的 Header
• Redirect
• Cookie
• 使用 HTTP 的 PUT 和 DELETE 方法
• 獲得 HTTP 的返回碼
• Debug Log

Proxy 的設置

urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy。若是想在程序中明確控制 Proxy 而不受環境變量的影響，可使用：

import urllib2

enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})

if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)

urllib2.install_opener(opener)

要加入 header，須要使用 Request 對象：這裏要注意的一個細節，使用 urllib2.install_opener() 會設置 urllib2 的全局 opener 。這樣後面的使用會很方便，但不能作更細粒度的控制，好比想在程序中使用兩個不一樣的 Proxy 設置等。比較好的作法是不使用 install_opener 去更改全局的設置，而只是直接調用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 設置

老版 Python，urllib2 的 API 並無暴露 Timeout 的設置，要設置 Timeout 值，只能更改 Socket 的全局 Timeout 值。
在 Python 2.6 之後，超時能夠經過 urllib2.urlopen() 的 timeout 參數直接設置。

import urllib2
import socket

socket.setdefaulttimeout(10) # 10 秒鐘後超時
urllib2.socket.setdefaulttimeout(10) # 另外一種方式
# ----------------
import urllib2
response = urllib2.urlopen('http://www.google.com', timeout=10)

在 HTTP Request 中加入特定的 Header

import urllib2

request = urllib2.Request(uri)
request.add_header('User-Agent', 'fake-client')
response = urllib2.urlopen(request)

Redirect對有些 header 要特別留意，服務器會針對這些 header 作檢查：

• User-Agent : 有些服務器或 Proxy 會經過該值來判斷是不是瀏覽器發出的請求。
• Content-Type : 在使用 REST 接口時，服務器會檢查該值，用來肯定 HTTP Body 中的內容該怎樣解析。常見的取值有：
  • application/xml ： 在 XML RPC，如 RESTful/SOAP 調用時使用
  • application/json ： 在 JSON RPC 調用時使用
  • application/x-www-form-urlencoded ： 瀏覽器提交 Web 表單時使用

在使用服務器提供的 RESTful 或 SOAP 服務時， Content-Type 設置錯誤會致使服務器拒絕服務

urllib2 默認狀況下會針對 HTTP 3XX 返回碼自動進行 redirect 動做，無需人工配置。要檢測是否發生了 redirect 動做，只要檢查一下 Response 的 URL 和 Request 的 URL 是否一致就能夠了。

import urllib2
response = urllib2.urlopen('http://www.google.cn')
redirected = response.geturl() == 'http://www.google.cn'

若是不想自動 redirect，除了使用更低層次的 httplib 庫以外，還能夠自定義 HTTPRedirectHandler 類。

import urllib2

class RedirectHandler(urllib2.HTTPRedirectHandler):
    def http_error_301(self, req, fp, code, msg, headers):
        pass
    def http_error_302(self, req, fp, code, msg, headers):
        pass

opener = urllib2.build_opener(RedirectHandler)
opener.open('http://www.google.cn')

Cookie

urllib2 對 Cookie 的處理也是自動的。若是須要獲得某個 Cookie 項的值，能夠這麼作：

import urllib2
import cookielib

cookie = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
response = opener.open('http://www.google.com')
for item in cookie:
    if item.name == 'some_cookie_item_name':
        print item.value

使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法，若是要使用 HTTP PUT 和 DELETE ，只能使用比較低層的 httplib 庫。雖然如此，咱們仍是能經過下面的方式，使 urllib2 可以發出 PUT 或 DELETE 的請求：

import urllib2

request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)

這種作法雖然屬於 Hack 的方式，但實際使用起來也沒什麼問題。

獲得 HTTP 的返回碼

對於 200 OK 來講，只要使用 urlopen 返回的 response 對象的 getcode() 方法就能夠獲得 HTTP 的返回碼。但對其它返回碼來講，urlopen 會拋出異常。這時候，就要檢查異常對象的 code 屬性了：

import urllib2
try:
    response = urllib2.urlopen('http://restrict.web.com')
except urllib2.HTTPError, e:
    print e.code

Debug Log

使用 urllib2 時，能夠經過下面的方法把 debug Log 打開，這樣收發包的內容就會在屏幕上打印出來，方便調試，有時能夠省去抓包的工做。

import urllib2

httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)

urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.google.com')