0
回答
深入研究urllib和urllib2
利用AWS快速构建适用于生产的无服务器应用程序,免费试用12个月>>>   

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:

urllib.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:hello.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\hello.py')

import urllib
f = urllib.urlopen('file:F:\pythontest\hello.py')
a = f.read()
print a

如:也能正常执行,只是在某些需求,比如可移植性,还是采用前面一种实现方式的好。

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):

['__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

>>>f.geturl()
 'F://pythontest//hello.py'

接下来是urllib的代理设置:

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

def urlopen(url, data=None, proxies=None):
    """urlopen(url [, data]) -> open file-like object"""
    global _urlopener
    if proxies is not None:
        opener = FancyURLopener(proxies=proxies)
    elif not _urlopener:
        opener = FancyURLopener()
        _urlopener = opener
    else:
        opener = _urlopener
    if data is None:
        return opener.open(url)
    else:
        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

代理支持是python 2.3以后加入的.

举报
Rubyguy
发帖于6年前 0回/394阅
顶部