Python 标准库 —— urllib（下载进度）

注意：python 3 环境下的 urllib 库，将 urlopen、urlretrieve、quote 等实用函数统一封装在 urllib.request 下。

在可使用的各种网络函数库中，功能最为强大的可能是 urllib 和 urllib2 了。通过它们在网络上访问文件，就好像访问本地文件一样。通过一个简单的函数调用（urlopen），几乎可以把任何 url 所指向的东西作为程序的输入。想象一下，如果将这两个模块和 re 模块结合使用的效果：可以下载 web 页面，提取信息，以及自动生成报告等。

• urlencode：将字典型的请求参数配置，编码为url能够识别的形式；

  >> request_paras = {
          'reportTime': '2017-12-31',
          'pageNum': 1
      }
  >> urlencode(paras)
  'reportTime=2017-12-31&pageNum=1'
  >> url = 'http://s.askci.com/stock/a/?' + urlencode(request_paras)
  >> url
  'http://s.askci.com/stock/a/?reportTime=2017-12-31&pageNum=1'
  >> 
  

0. url 中的中文：quote、unquote

• 来看百度上野树里吧的首页 url：http://tieba.baidu.com/f?kw=��Ұ����&fr=ala0&loc=rec&traceid=，kw所对的（��Ұ����）无疑就是上野树里转码后的字符串表示，我们尝试将其解码成中文姓氏：

  >> from urllib.parse import quote, unquote
  >> s = '%C9%CF%D2%B0%CA%F7%C0%EF'
  >> unquote(s)
   '��Ұ����'
  		 # 却是无法显示的乱码，这是因为 urllib 默认的编码解码都是 utf-8，而百度采用的编码为 gbk
  >> unquote(s, encoding='gbk')
  '上野树里'
  

• 下面我们来构造，新垣结衣的百度贴吧首页 url：

  >> s = '新垣结衣'
  >> decode_s = quote(s, encoding='gbk')
  >> decode_s
  '%D0%C2%D4%AB%BD%E1%D2%C2'
  >> construct_url = 'http://tieba.baidu.com/f?kw=' + decode_s + '&fr=ala0&loc=rec&traceid='
  http://tieba.baidu.com/f?kw=%D0%C2%D4%AB%BD%E1%D2%C2&fr=ala0&loc=rec&traceid=
  

1. urllib.urlopen()：打开远程文件

>>> from urllib import urlopen
>>> webpage = urlopen('http://www.python.org')

可以像打开本地文件一样打开远程文件，不同之处在于只能使用只读模式，使用来自 urllib 的 urlopen 而不是 file 或者 open。

urlopen 返回的类文件对象（instance）支持 close/read/readline/readlines方法。

2. urllib.urlretrieve()：获取远程文件

>>> from urllib import urlretrieve
>>> urlretrieve('http://www.python.org', '/root/workspaces/python_webpage.html')

urlopen 返回一个能从中读取数据的类文件对象（instance）。如果希望 urllib 为你下载文件并在本地文件中存储一个文件的副本，则可以使用 urlretrive。

从 url 上加载数据到本地：

if (not os.path.isfile(dataset)) and dataset == 'mnist.pkl.gz':
	origin = 'http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz'
	print 'Downloading data from %s' % origin
	urllib.urlretrieve(origin, dataset)

3. 下载进度

• 如下的函数作为 urlretrieve 的 reporthook 命名参数的回调函数，

  def download_report(count, block_size, total_size):
      downloaded = count * block_size
      percent = 100. * downloaded / total_size
      percent = min(100, percent)
      print('downloaded %d, %.2f%% completed' % (downloaded, percent))
  

• 查看 urlretrieve 源码发现，total_size 根据 Content-length 获取，如果未获得该参数，则 total_size 默认传参为 -1：

  

4. quote/quote_plus

除了通过 URL 读取和下载文件，urllib 还提供了一些函数操作 URL 本身，

• quote(string[, safe])。返回一个字符串，其中所有的特殊字符（这些字符在 URL 中有特殊含义）都已被对 URL 友好的字符所代替。safe 字符串包含了不应该采用这种方式编码的字符，默认的是/
  • parse.quote('~') ⇒ %7E
  • parse.quote(':') ⇒ %3A
• quote_plus(string[, safe])，功能和 quote 差不多，但用+号代替空格
• unquote(string)，和 quote 相反
• unquote_plus(string)，和 quote_plus相反

##4. parse_qs/parse_qsl

>> from urllib.parse import parse_qs
>> my_values = parse_qs('red=5&blue=0&green=', keep_blank_values=True)
>> print(repr(my_values))
{‘red’: [‘5’], ‘green’: [”], ‘blue’: [‘0’]}

如果 url 的 query 中有同一个 key 对应多个 value，其中 parse_qs() 可以把该相同 key 的 value 放在一个 list 中。