Python学习之旅（二十八）

python基础知识（27）：常用内建模块（ⅲ）

1、urlblib

urllib提供了一系列用于操作url的功能

url是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址

互联网上的每个文件都有一个唯一的url，它包含的信息指出文件的位置以及浏览器应该怎么处理它

（1）get

urllib的request模块可以非常方便地抓取url内容，也就是发送一个get请求到指定的页面，然后返回http的响应

#对豆瓣的一个urlhttps://api.douban.com/v2/book/2129650进行抓取，并返回响应
from urllib import request
with request.urlopen('https://api.douban.com/v2/book/2129650') as f:
    data = f.read()
    print('status:', f.status, f.reason)
    for k, v in f.getheaders():
        print('%s: %s' % (k, v))
    print('data:', data.decode('utf-8'))

结果：
status: 200 ok
date: sun, 09 dec 2018 01:23:48 gmt
content-type: application/json; charset=utf-8
content-length: 2138
connection: close
vary: accept-encoding
x-ratelimit-remaining2: 99
x-ratelimit-limit2: 100
expires: sun, 1 jan 2006 01:00:00 gmt
pragma: no-cache
cache-control: must-revalidate, no-cache, private
set-cookie: bid=fdbz3slsf0s; expires=mon, 09-dec-19 01:23:48 gmt; domain=.douban.com; path=/
x-douban-newbid: fdbz3slsf0s
x-dae-node: brand55
x-dae-app: book
server: dae
x-frame-options: sameorigin
data: {"rating":{"max":10,"numraters":16,"average":"7.4","min":0},"subtitle":"","author":["廖雪峰"],...}

 

如果我们要想模拟浏览器发送get请求，就需要使用request对象，通过往request对象添加http头，我们就可以把请求伪装成浏览器

#模拟iphone 6去请求豆瓣首页
from urllib import request
req = request.request('http://www.douban.com/')
req.add_header('user-agent', 'mozilla/6.0 (iphone; cpu iphone os 8_0 like mac os x) applewebkit/536.26 (khtml, like gecko) version/8.0 mobile/10a5376e safari/8536.25')
with request.urlopen(req) as f:
    print('status:', f.status, f.reason)
    for k, v in f.getheaders():
        print('%s: %s' % (k, v))
    print('data:', f.read().decode('utf-8'))

结果：
<title>豆瓣(手机版)</title>
        <meta name="google-site-verification" content="ok0wcgt20tbbgo9_zat2iacimtn4ftf5ccsh092xeyw" />
        <meta name="viewport" content="width=device-width, height=device-height, user-scalable=no, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0">
        <meta name="format-detection" content="telephone=no">
        <link rel="canonical" href="
http://m.douban.com/">
        <link href="https://img3.doubanio.com/f/talion/4b1de333c0e597678522bd3c3af276ba6c667b95/css/card/base.css" rel="stylesheet">

（2）post

如果要以post发送一个请求，只需要把参数data以bytes形式传入

#模拟微博登录，先读取登录的邮箱和口令
from urllib import request, parse

print('login to weibo.cn...')
email = input('email: ')
passwd = input('password: ')
login_data = parse.urlencode([
    ('username', email),
    ('password', passwd),
    ('entry', 'mweibo'),
    ('client_id', ''),
    ('savestate', '1'),
    ('ec', ''),
    ('pagerefer', 'https://passport.weibo.cn/signin/welcome?entry=mweibo&r=http%3a%2f%2fm.weibo.cn%2f')
])

req = request.request('https://passport.weibo.cn/sso/login')
req.add_header('origin', 'https://passport.weibo.cn')
req.add_header('user-agent', 'mozilla/6.0 (iphone; cpu iphone os 8_0 like mac os x) applewebkit/536.26 (khtml, like gecko) version/8.0 mobile/10a5376e safari/8536.25')
req.add_header('referer', 'https://passport.weibo.cn/signin/login?entry=mweibo&res=wel&wm=3349&r=http%3a%2f%2fm.weibo.cn%2f')

with request.urlopen(req, data=login_data.encode('utf-8')) as f:
    print('status:', f.status, f.reason)
    for k, v in f.getheaders():
        print('%s: %s' % (k, v))
    print('data:', f.read().decode('utf-8'))

结果：
login to weibo.cn...
email: email
password: password
status: 200 ok
server: nginx/1.6.1
date: sun, 09 dec 2018 02:01:40 gmt
content-type: text/html
transfer-encoding: chunked
connection: close
vary: accept-encoding
cache-control: no-cache, must-revalidate
expires: sat, 26 jul 1997 05:00:00 gmt
pragma: no-cache
access-control-allow-origin: https://passport.weibo.cn
access-control-allow-credentials: true
dpool_header: 85-144-160-aliyun-core.jpool.sinaimg.cn
set-cookie: login=9da7cd806ada2c22779667e8e1c039c2; path=/
data: {"retcode":50011002,"msg":"\u7528\u6237\u540d\u6216\u5bc6\u7801\u9519\u8bef","data":{"username":"email","errline":669}}

（3）handler

如果还需要更复杂的控制，比如通过一个proxy去访问网站，我们需要利用proxyhandler来处理

import urllib
proxy_handler = urllib.request.proxyhandler({'http': 'http://www.example.com:3128/'})
proxy_auth_handler = urllib.request.proxybasicauthhandler()
proxy_auth_handler.add_password('realm', 'host', 'username', 'password')
opener = urllib.request.build_opener(proxy_handler, proxy_auth_handler)
with opener.open('http://www.example.com/login.html') as f:
    pass

2、xml

操作xml有两种方法：dom和sax

dom会把整个xml读入内存，解析为树，因此占用内存大，解析慢，优点是可以任意遍历树的节点

sax是流模式，边读边解析，占用内存小，解析快，缺点是我们需要自己处理事件

正常情况下，优先考虑sax，因为dom实在太占内存

解析xml

在python中使用sax解析xml非常简洁，通常我们关心的事件是start_element，end_element和char_data，准备好这3个函数，然后就可以解析xml了

<a href="/">python</a> ……start_element读取<a href="/">，char_data读取python，end_element读取</a>

from xml.parsers.expat import parsercreate

class defaultsaxhandler(object):
    def start_element(self, name, attrs):
        print('sax:start_element: %s, attrs: %s' % (name, str(attrs)))

    def end_element(self, name):
        print('sax:end_element: %s' % name)

    def char_data(self, text):
        print('sax:char_data: %s' % text)

xml = r'''<?xml version="1.0"?>
<ol>
    <li><a href="/python">python</a></li>
    <li><a href="/ruby">ruby</a></li>
</ol>
'''

生成xml

最简单也是最有效的生成xml的方法是拼接字符串

l = []
l.append(r'<?xml version="1.0"?>')
l.append(r'<root>')
l.append(encode('some & data'))
l.append(r'</root>')
return ''.join(l)

生成复杂的xml要用json

3、htmlparser

利用htmlparser，可以把网页中的文本、图像等解析出来

html本质上是xml的子集，但是html的语法没有xml那么严格，所以不能用标准的dom或sax来解析html。

好python提供了htmlparser来非常方便地解析html

from html.parser import htmlparser
from html.entities import name2codepoint

class myhtmlparser(htmlparser):

    def handle_starttag(self, tag, attrs):
        print('<%s>' % tag)

    def handle_endtag(self, tag):
        print('</%s>' % tag)

    def handle_startendtag(self, tag, attrs):
        print('<%s/>' % tag)

    def handle_data(self, data):
        print(data)

    def handle_comment(self, data):
        print('<!--', data, '-->')

    def handle_entityref(self, name):
        print('&%s;' % name)

    def handle_charref(self, name):
        print('&#%s;' % name)

parser = myhtmlparser()
parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
    <p>some <a href=\"#\">html</a> html&nbsp;tutorial...<br>end</p>
</body></html>''')

结果：
<html>


<head>
</head>


<body>


<!--  test html parser  -->

    
<p>
some 
<a>
html
</a>
 html tutorial...
<br>
end
</p>


</body>
</html>

feed()方法可以多次调用，也就是不一定一次把整个html字符串都塞进去，可以一部分一部分塞进去。

特殊字符有两种，一种是英文表示的 ，一种是数字表示的Ӓ，这两种字符都可以通过parser解析出来