python 网页抓取urllib,urllib2,httplib

需求：

抓取网页，解析获取内容

涉及库：【重点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.      抓取网页信息

 

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

url: 表示远程数据的路径

data: 以post方式提交到url的数据

proxies:用于设置代理

 

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

使用：

[python] view
plaincopyprint?

#!/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请求成功,404  

  print "url:", page.geturl()  

  print "head_info:\n",  page.info()  

  print "Content len:", len(page.read())  

附带的其他方法：（主要是url编码解码）

-         urllib.quote(string[, safe])：对字符串进行编码。参数safe指定了不需要编码的字符

-         urllib.unquote(string) ：对字符串进行解码

-          urllib.quote_plus(string [ , safe ] ) ：与urllib.quote类似，但这个方法用'+'来替换' '，而quote用'%20'来代替' '

-          urllib.unquote_plus(string ) ：对字符串进行解码

-         urllib.urlencode(query[, doseq])：将dict或者包含两个元素的元组列表转换成url参数。例如 字典{'name': 'wklken', 'pwd': '123'}将被转换为"name=wklken&pwd=123"

-         urllib.pathname2url(path)：将本地路径转换成url路径

-          urllib.url2pathname(path)：将url路径转换成本地路径

使用：

[python] view
plaincopyprint?

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.  下载远程数据

urlretrieve方法直接将远程数据下载到本地

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

 

filename指定保存到本地的路径（若未指定该，urllib生成一个临时文件保存数据）

reporthook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

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。

[python] view
plaincopyprint?

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)  

使用httplib抓取：

表示一次与服务器之间的交互，即请求/响应

httplib.HTTPConnection ( host [ , port [ ,strict [ , timeout ]]] )

host表示服务器主机

port为端口号，默认值为80

strict的 默认值为false， 表示在无法解析服务器返回的状态行时(status line) （比较典型的状态行如： HTTP/1.0 200 OK ），是否抛BadStatusLine 异常

可选参数timeout 表示超时时间。

HTTPConnection提供的方法：

- HTTPConnection.request ( method , url [ ,body [ , headers ]] )

调用request 方法会向服务器发送一次请求

method 表示请求的方法，常用有方法有get 和post ；

url 表示请求的资源的url ；

body 表示提交到服务器的数据，必须是字符串（如果method是”post”，则可以把body 理解为html 表单中的数据）；

headers 表示请求的http 头。

- HTTPConnection.getresponse ()

获取Http 响应。返回的对象是HTTPResponse 的实例，关于HTTPResponse 在下面会讲解。

 - HTTPConnection.connect ()

连接到Http 服务器。

 - HTTPConnection.close ()

关闭与服务器的连接。

 - HTTPConnection.set_debuglevel ( level )

设置高度的级别。参数level 的默认值为0 ，表示不输出任何调试信息。

 

httplib.HTTPResponse

-HTTPResponse表示服务器对客户端请求的响应。往往通过调用HTTPConnection.getresponse()来创建，它有如下方法和属性：

-HTTPResponse.read([amt])

获取响应的消息体。如果请求的是一个普通的网页，那么该方法返回的是页面的html。可选参数amt表示从响应流中读取指定字节的数据。

 -HTTPResponse.getheader(name[, default])

获取响应头。Name表示头域(header field)名，可选参数default在头域名不存在的情况下作为默认值返回。

 -HTTPResponse.getheaders()

以列表的形式返回所有的头信息。

 - HTTPResponse.msg

获取所有的响应头信息。

 -HTTPResponse.version

获取服务器所使用的http协议版本。11表示http/1.1；10表示http/1.0。

 -HTTPResponse.status

获取响应的状态码。如：200表示请求成功。

 -HTTPResponse.reason

返回服务器处理请求的结果说明。一般为”OK”

 

使用例子：

[python] view
plaincopyprint?

#!/usr/bin/python  

# -*- coding:utf-8 -*-  

# httplib_test.py  

# author:wklken  

# 2012-03-17  wklken#yeah.net   

def use_httplib():  

  import httplib  

  conn = httplib.HTTPConnection("www.baidu.com")  

  i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",  

             "Accept": "text/plain"}  

  conn.request("GET", "/", headers = i_headers)  

  r1 = conn.getresponse()  

  print "version:", r1.version  

  print "reason:", r1.reason  

  print "status:", r1.status  

  print "msg:", r1.msg  

  print "headers:", r1.getheaders()  

  data = r1.read()  

  print len(data)  

  conn.close()  

  

if __name__ == "__main__":  

  use_httplib()  

使用urllib2，太强大了

试了下用代理登陆拉取cookie，跳转抓图片......

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

直接上demo代码了

包括：直接拉取，使用Reuqest(post/get),使用代理，cookie,跳转处理

[python] view
plaincopyprint?

#!/usr/bin/python  

# -*- coding:utf-8 -*-  

# urllib2_test.py  

# author: wklken  

# 2012-03-17 wklken@yeah.net  

  

  

import urllib,urllib2,cookielib,socket  

  

url = "http://www.testurl....." #change yourself  

#最简单方式  

def use_urllib2():  

  try:  

    f = urllib2.urlopen(url, timeout=5).read()  

  except urllib2.URLError, e:  

    print e.reason  

  print len(f)  

  

#使用Request  

def get_request():  

  #可以设置超时  

  socket.setdefaulttimeout(5)  

  #可以加入参数  [无参数，使用get，以下这种方式，使用post]  

  params = {"wd":"a","b":"2"}  

  #可以加入请求头信息，以便识别  

  i_headers = {"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",  

             "Accept": "text/plain"}  

  #use post,have some params post to server,if not support ,will throw exception  

  #req = urllib2.Request(url, data=urllib.urlencode(params), headers=i_headers)  

  req = urllib2.Request(url, headers=i_headers)  

  

  #创建request后，还可以进行其他添加,若是key重复，后者生效  

  #request.add_header('Accept','application/json')  

  #可以指定提交方式  

  #request.get_method = lambda: 'PUT'  

  try:  

    page = urllib2.urlopen(req)  

    print len(page.read())  

    #like get  

    #url_params = urllib.urlencode({"a":"1", "b":"2"})  

    #final_url = url + "?" + url_params  

    #print final_url  

    #data = urllib2.urlopen(final_url).read()  

    #print "Method:get ", len(data)  

  except urllib2.HTTPError, e:  

    print "Error Code:", e.code  

  except urllib2.URLError, e:  

    print "Error Reason:", e.reason  

  

def use_proxy():  

  enable_proxy = False  

  proxy_handler = urllib2.ProxyHandler({"http":"http://proxyurlXXXX.com:8080"})  

  null_proxy_handler = urllib2.ProxyHandler({})  

  if enable_proxy:  

    opener = urllib2.build_opener(proxy_handler, urllib2.HTTPHandler)  

  else:  

    opener = urllib2.build_opener(null_proxy_handler, urllib2.HTTPHandler)  

  #此句设置urllib2的全局opener  

  urllib2.install_opener(opener)  

  content = urllib2.urlopen(url).read()  

  print "proxy len:",len(content)  

  

class NoExceptionCookieProcesser(urllib2.HTTPCookieProcessor):  

  def http_error_403(self, req, fp, code, msg, hdrs):  

    return fp  

  def http_error_400(self, req, fp, code, msg, hdrs):  

    return fp  

  def http_error_500(self, req, fp, code, msg, hdrs):  

    return fp  

  

def hand_cookie():  

  cookie = cookielib.CookieJar()  

  #cookie_handler = urllib2.HTTPCookieProcessor(cookie)  

  #after add error exception handler  

  cookie_handler = NoExceptionCookieProcesser(cookie)  

  opener = urllib2.build_opener(cookie_handler, urllib2.HTTPHandler)  

  url_login = "https://www.yourwebsite/?login"  

  params = {"username":"user","password":"111111"}  

  opener.open(url_login, urllib.urlencode(params))  

  for item in cookie:  

    print item.name,item.value  

  #urllib2.install_opener(opener)  

  #content = urllib2.urlopen(url).read()  

  #print len(content)  

#得到重定向 N 次以后最后页面URL  

def get_request_direct():  

  import httplib  

  httplib.HTTPConnection.debuglevel = 1  

  request = urllib2.Request("http://www.google.com")  

  request.add_header("Accept", "text/html,*/*")  

  request.add_header("Connection", "Keep-Alive")  

  opener = urllib2.build_opener()  

  f = opener.open(request)  

  print f.url  

  print f.headers.dict  

  print len(f.read())  

  

if __name__ == "__main__":  

  use_urllib2()  

  get_request()  

  get_request_direct()  

  use_proxy()  

  hand_cookie()