Python3 urllib(网络数据获取 模块)

本文由 Luzhuo 编写,转发请保留该信息. 
原文: http://blog.csdn.net/Rozol/article/details/69941511


以下代码以Python3.6.1为例 
Less is more!

#coding=utf-8
# urllibdemo.py urllib演示

# urllib 用于处理Url相关的工具,用于从网络获取数据(网页源码/下载资源)
from urllib import request # 请求url, 支持 HTTP(0.9/1.0) / FTP / 本地文件 / URL
from urllib import parse # 解析url, 支持 file / ftp / gopher / hdl / http / https / imap / mailto / mms / news / nntp / prospero / rsync / rtsp / rtspu / sftp / shttp / sip / sips / snews / svn / svn+ssh / telnet / wais
from urllib import robotparser # 分析 robots.txt 文件
from urllib import error # 异常
import re # 正则模块
from bs4 import BeautifulSoup
import os

# 演示(下载斗鱼首页的图片)
def demo():
    os.mkdir("images")

    # -- 获取网页源代码 --
    f = request.urlopen("https://www.douyu.com")
    data = f.read().decode("utf-8")

    # -- 获取网页源码中的图片地址 --
    # 方式一: 正则的方式
    images = re.findall(r'src="(.*?\.(jpg|png))"', data)
    tnum = 0
    for i in images:
        # 下载资源
        request.urlretrieve(i[0], "./images/%d.%s"%(tnum, i[1]))
        tnum += 1

    # 方式二: Beautiful Soup (安装: pip install beautifulsoup4) 提取html/xml标签中的内容
    soup = BeautifulSoup(data, "html.parser")
    images = soup.find_all("img") # 取标签

    tnum = 0
    for i in images:
        # 下载资源
        imgurl = i.get("src")
        if len(imgurl) > 3:
            request.urlretrieve(imgurl, "./images/%d.jpg"%tnum)
        tnum += 1

    # -- 关闭 --
    f.close



# 参数详解
def fun():
    neturl = "http://luzhuo.me/blog/Base1.html"
    imgurl = "http://luzhuo.me/image/performers/%E5%85%B3%E6%99%93%E5%BD%A4.jpg"



    # --- urllib.parse --- 解析Url
    # - 编码 -
    neturl = "%s?%s" %(neturl, parse.urlencode({"name":"luzhuo", "age": 21})) # Get传参url构建
    data = parse.urlencode({"name":"luzhuo", "啊age": 21}).encode('ascii') # POST参参data构建

    # - 解码 -
    urls = parse.urlparse(imgurl) # => ParseResult(scheme='http', netloc='luzhuo.me', path='/image/performers/%E5%85%B3%E6%99%93%E5%BD%A4.jpg', params='', query='', fragment=''
    urls = parse.urlparse("//luzhuo.me/image/performers/%E5%85%B3%E6%99%93%E5%BD%A4.jpg?a=1")
    scheme = urls.scheme # 获取相应数据

    # - 替换 -
    url = parse.urljoin('http://luzhuo.me/blog/Base1.html', 'Fame.html') # 替换后部分 => http://luzhuo.me/blog/Fame.html
    url = parse.urljoin('http://luzhuo.me/blog/Base1.htm', '//xxx/blog') # => http://xxx/blog



    # --- urllib.reques --- 请求数据
    try:
        # - Request - 构建
        req = request.Request(neturl) # GET
        req = request.Request(neturl, headers = {"1":"2"}) # 添加请求头
        req = request.Request(neturl, data=b'This is some datas.') # POST 添加POST请求数据
        req = request.Request(neturl, data) # POST 添加POST请求数据
        req = request.Request(neturl, data=b"This is some datas.", method="PUT") # PUT 其他类型的请求

        # 获取
        url = req.full_url # 获取Url
        reqtype = req.type # 请求类型(如http)
        host = req.host # 主机名(如:luzhuo.me / luzhuo.me:8080)
        host = req.origin_req_host # 主机名(如:luzhuo.me)
        url = req.selector # url路径(如:/blog/Base1.html)
        data = req.data # 请求的实体,没有为Noce
        boolean = req.unverifiable # 是否是RFC 2965定义的不可验证的
        method = req.get_method() # 请求方式(如:GET / POST)
        # 修改
        req.add_header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36") # 添加请求头,键冲突将覆盖
        req.add_unredirected_header("Key", "value") # 添加不会重定向的请求头
        req.remove_header("Key") # 删除请求头
        req.get_header("Key") # 获取请求头, 无返回None
        req.get_header("Key", "None.") # 获取请求头
        boolean = req.has_header("Key") # 是否有该请求头
        headers = req.header_items() # (所有)请求头列表
        req.set_proxy("220.194.55.160:3128", "http") # 设置代理(主机,类型)
        # 下载
        filename, headers = request.urlretrieve(imgurl) # 下载资源(不提供文件名不复制), 返回(文件名,头信息)元组
        filename, headers = request.urlretrieve(imgurl, filename="./xxx.jpg", reporthook=callback, data=None) # reporthook下载进度回调
        request.urlcleanup() # 清除下载的临时文件



        # - response - 请求结果
        res = request.urlopen(neturl) # GET 打开Url,返回response
        res = request.urlopen(neturl, data=b'This is some datas.') # POST 添加POST请求数据
        res = request.urlopen(req) # 支持 Request 参数
        # 获取信息
        data = res.read().decode("utf-8") # 读取全部数据
        data = res.readline().decode("utf-8") # 读取行数据
        url = res.geturl() # 获取Url
        info = res.info() # 元信息,如头信息
        code = res.getcode() # 状态码

        # 释放资源
        res.close



    # --- urllib.error ---
    except error.URLError as e:
        print(e)
    except error.HTTPError as e:
        # code / reason / headers 异常
        print(e)
    except error.ContentTooShortError as e:
        # 数据下载异常
        print(e)



def robot():
    # --- urllib.robotparser --- robots.txt
    rp = robotparser.RobotFileParser()
    rp.set_url("https://www.zhihu.com/robots.txt") # 设置指向 robots.txt 文件的网址
    rp.read() # 获取数据给解析器
    boolean = rp.can_fetch("*", "http://www.musi-cal.com/") # 是否允许提取该url
    time = rp.mtime() # 获取 robots.txt 的时间
    rp.modified() # 将 robots.txt 时间设为当前时间



# 下载进度回调
def callback(datanum, datasize, filesize): # (数据块数量 数据块大小 文件大小)
    down = 100 * datanum * datasize / filesize

    if down > 100:
        down = 100

    print ("%.2f%%"%down)



if __name__ == "__main__":
    demo()
    fun()
    robot()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114
  • 115
  • 116
  • 117
  • 118
  • 119
  • 120
  • 121
  • 122
  • 123
  • 124
  • 125
  • 126
  • 127
  • 128
  • 129
  • 130
  • 131
  • 132
  • 133
  • 134
  • 135
  • 136
  • 137
  • 138
  • 139
  • 140
  • 141
  • 142
  • 143
  • 144
  • 145
  • 146
  • 147
  • 148
  • 149
  • 150
  • 151
  • 152
  • 153
  • 154
  • 155
  • 156
  • 157
版权声明:本文为博主原创文章,未经博主允许不得转载。 http://blog.csdn.net/Rozol/article/details/69941511

猜你喜欢

转载自blog.csdn.net/bluehawksky/article/details/79629680