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:
- 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:
2 | f = urllib.urlopen( 'file:F:\pythontest\nowamagic.py' ) |
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
接下来是urllib的代理设置:
2 | proxies = { 'http' : 'http://***.***.***.***:1984' } |
3 | filehandle = urllib.urlopen( 'http://www.需要代理才能访问的网站.com/' ,proxies = proxies) |
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:
01 | def urlopen(url, data = None , proxies = None ): |
02 | """urlopen(url [, data]) -> open file-like object""" |
04 | if proxies is not None : |
05 | opener = FancyURLopener(proxies = proxies) |
07 | opener = FancyURLopener() |
12 | return opener. open (url) |
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