urllib 是 python 自带的一个抓取网页信息一个接口,他最主要的方法是 urlopen(),是基于 python 的 open() 方法的。下面是主要说明:

1urllib.urlopen('网址')
  • 这里传入urlopen()的参数有特别说要求,要遵循一些网络协议,比如http,ftp,也就是说,在网址的开头必须要有http://这样的说明,如:urllib.urlopen('http://www.baidu.com')。
  • 要么就是本地文件,本地文件需要使用file关键字,比如 urllib.urlopen('file:nowamagic.py'),注意,这里的hello.py是指的是当前的classpath所指定的内容,如果对hello.py这里有什么疑问那一定是python寻找classpath的顺序不是很清楚了,当然也可以直接写全部路径,urllib.urlopen('file:F:\pythontest\nowamagic.py')。
  • 打开 ftp 文件也是可以的,写法 urllib.urlopen(url='ftp://用户名:密码@ftp地址/') 等。

示例程序:

1import urllib
2= urllib.urlopen('file:F:\pythontest\nowamagic.py')
3= f.read()
4print a

如果传入的参数正确,比如该网站可以访问,没有特殊情况(比如需要代理,被墙等),那么将返回一个类似于文件对象的对象。即上面代码中的f,f对象有的方法一些操作方法,使用dir(f):

1['__doc__''__init__''__iter__''__module__''__repr__''close','fileno''fp''geturl''headers''info''next''read''readline','readlines''url']

使用read()方法会将所有内容读取出来,并且同时f对象类似于先入先出的数据,在使用f.read()将得不到任何数据,也就是说,得到的数据在这个时候如果想在后面进行任何处理操作的话,需要另外定义一个对象来进行存储。如上例中的a。而info(),geturl()方法,也是基于f这个文档对象的,所以,使用

1>>>f.geturl()

接下来是urllib的代理设置:

1import urllib
2proxies = {'http':'http://***.***.***.***:1984'}
3filehandle = urllib.urlopen('http://www.需要代理才能访问的网站.com/',proxies= proxies)
4= filehandle.read()
5print a

以上是最基本代理,即代理访问到该网站,并且能够获得该网站的内容。但是如果遇到需要登录,或者需要cookie等的网站呢?

查看urllib的源码:

01def urlopen(url, data=None, proxies=None):
02    """urlopen(url [, data]) -> open file-like object"""
03    global _urlopener
04    if proxies is not None:
05        opener = FancyURLopener(proxies=proxies)
06    elif not _urlopener:
07        opener = FancyURLopener()
08        _urlopener = opener
09    else:
10        opener = _urlopener
11    if data is None:
12        return opener.open(url)
13    else:
14        return opener.open(url, data)

由上面urllib的urlopen的源码,可以看出,还可以传入一个data参数,data参数也应该是一个字典,因为在使用浏览器向服务器发送数据的时候,我们发送的就是字典类型的数据。

还有一点,就是代理支持是 python 2.3 以后加入的

05-08 08:45