python web编程-web客户端编程

web应用也遵循客户服务器架构

浏览器就是一个基本的web客户端，她实现两个基本功能，一个是从web服务器下载文件，另一个是渲染文件

同浏览器具有类似功能以实现简单的web客户端的模块式urllib以及urllib2（可以打开需要登录的网页）等模块

另外还有一些负载的web客户端，它不仅下载web文件，还执行其它复杂的任务，一个典型的例子就是爬虫

python实现爬虫也有一些框架模块：如Scrapy

使用python创建一个简单web客户端
你要弄清楚浏览器只是web客户端的一种，而且功能有限，任何通过web的请求的应用程序都是web客户端
比如curl以及python的urllib
为什么是urllib呢而不是httplib呢？往下阅读
什么是URL？？？构成很重要
URL用来在Web 上定位一个文档，或者调用一个CGI 程序来为你的客户端产生一个文档。
CGI产生文档就是像一些web框架吧，特别是python的
web客户端其实也算是文件传输，最为直接方式就是直接使用url来定位和获得文件了，其实大部分客户端都是靠这个
所以应该首先了解一下url的构成
 
python的URL模块介绍：urllib及urlparse
Python 支持两种不同的模块，分别以不同的功能和兼容性来处理URL。一种是urlparse，一种
是urllib。
其中urlparse就是用来进行url解析与合成的。利用它你也可以学习url的构成哦，关于它的用法你可以help一下
urllib是一个高层次的模块，urllib 模块提供了所有你需要的功能，除非你计划写一个更加低层的网络客户端。urllib 提供
了了一个高级的Web 交流库，支持Web 协议，HTTP， FTP 和Gopher 协议，同时也支持对本地文件的
访问。urllib 模块的特殊功能是利用上述协议下载数据(从因特网、局域网、主机上下载)。使用这
个模块可以避免使用httplib， ftplib 和gopherlib 这些模块，除非你想用更低层的功能
urllib的主要功能就是从url来下载文件，想要了解这个模块的功能可以从下面几个函数入手
urlopen()
urllib.urlretrieve()
urllib.quote() and urllib.quote_plus()
urllib.unquote() 和 urllib.unquote_plus()
urllib.urlencode()
 
urllib2
如果你打算访问更加复杂的URL 或者想要处理更复杂的情况如基于数字的权限验证，重定位，
coockie 等问题，我们建议你使用urllib2 模块
这对于登陆来抓取数据是特别有用的
urllib3 
urllib2的升级版

该模块建立在urllib3上面的，提供了比较友好的借口，尽量使用它，以减少代码量

参考：http://blog.csdn.net/iloveyin/article/details/21444613

wget和python绑定

wget是一个linux命令行工具，专注下载功能，有关下载任务合适使用它的python绑定

curl和pycurl

curl是一个基础的，先进的命令行工具（提供的功能类似于Request），也提供了各种语言的绑定

参考：http://www.ruanyifeng.com/blog/2011/09/curl.html
http://man.linuxde.net/curl
 
高级web客户端
 
浏览器实现的其实是一个简单的web客户端，基本的web客户端从服务器下载文件，urllib以及urllib2以及上面介绍的这些模块就是实现类似的功能
那么高级的web客户端就不只是下载那么简单
高级Web 客户端的一个例子就是网络爬虫（aka 蜘蛛和机器人）。这些程序可以基于不同目的在
因特网上探索和下载页面，其中包括：
  1. 为 Google 和Yahoo 这类大型的搜索引擎建索引
  2. 脱机浏览—将文档下载到本地，重新设定超链接，为本地浏览器创建镜像。（这个需求就是通常所说的下载整个在线的帮助文档）
  3.  下载并保存历史记录或框架
  4.  Web 页的缓存，节省再次访问Web 站点的下载时间。
这里给出一个爬虫的实现
  1 #!/usr/bin/env python
  2 
  3 from sys import argv
  4 from os import makedirs, unlink, sep
  5 from os.path import isdir, exists, dirname, splitext
  6 from string import replace, find, lower
  7 from htmllib import HTMLParser
  8 from urllib import urlretrieve
  9 from urlparse import urlparse, urljoin
 10 from formatter import DumbWriter, AbstractFormatter
 11 from cStringIO import StringIO
 12 
 13 class Retriever(object):    # download Web pages
 14 
 15     def __init__(self, url):
 16         self.url = url
 17         self.file = self.filename(url)
 18 
 19     def filename(self, url, deffile='index.htm'):
 20         parsedurl = urlparse(url, 'http:', 0)  # parse path
 21         path = parsedurl[1] + parsedurl[2]
 22         ext = splitext(path)
 23         if ext[1] == '':
 24             if path[-1] == '/':
 25                 path += deffile
 26             else:
 27                 path += '/' + deffile
 28         ldir = dirname(path)    # local directory
 29     if sep != '/':        # os-indep. path separator
 30         ldir = replace(ldir, ',', sep)
 31         if not isdir(ldir):      # create archive dir if nec.
 32             if exists(ldir): unlink(ldir)
 33             makedirs(ldir)
 34         return path
 35 
 36     def download(self):        # download Web page
 37         try:
 38             retval = urllib.urlretrieve(self.url, self.file)
 39         except IOError:
 40             retval = ('*** ERROR: invalid URL "%s"' % \
 41                 self.url, )
 42         return retval
 43 
 44     def parseAndGetLinks(self):    # pars HTML, save links
 45         self.parser = HTMLParser(AbstractFormatter( \
 46             DumbWriter(StringIO())))
 47         self.parser.feed(open(self.file).read())
 48         self.parser.close()
 49         return self.parse.anchorlist
 50 
 51 class Crawler(object):        # manage entire crawling process
 52 
 53     count = 0            # static downloaded page counter
 54 
 55     def __init__(self, url):
 56         self.q = [url]
 57         self.seen = []
 58         self.dom = urlparse(url)[1]
 59 
 60     def getPage(self, url):
 61         r = Retriever(url)
 62         retval = r.download()
 63         if retval[0] == '*':     # error situation, do not parse
 64             print retval, '... skipping parse'
 65             return
 66         Crawler.count = Crawler.count + 1
 67         print '\n(', Crawler.count, ')'
 68         print 'URL:', url
 69         print 'FILE:', retval[0]
 70         self.seen.append(url)
 71 
 72         links = r.parseAndGetLinks()  # get and process links
 73         for eachLink in links:
 74             if eachLink[:4] != 'http' and \
 75                     find(eachLink, '://') == -1:
 76                 eachLink = urljoin(url, eachLink)
 77             print '* ', eachLink,
 78 
 79             if find(lower(eachLink), 'mailto:') != -1:
 80                 print '... discarded, mailto link'
 81                 continue
 82 
 83             if eachLink not in self.seen:
 84                 if find(eachLink, self.dom) == -1:
 85                     print '... discarded, not in domain'
 86                 else:
 87                     if eachLink not in self.q:
 88                         self.q.append(eachLink)
 89                         print '... new, added to Q'
 90                     else:
 91                         print '... discarded, already in Q'
 92             else:
 93                     print '... discarded, already processed'
 94 
 95     def go(self):                # process links in queue
 96         while self.q:
 97             url = self.q.pop()
 98             self.getPage(url)
 99 
100 def main():
101     if len(argv) > 1:
102         url = argv[1]
103     else:
104         try:
105             url = raw_input('Enter starting URL: ')
106         except (KeyboardInterrupt, EOFError):
107             url = ''
108 
109     if not url: return
110     robot = Crawler(url)
111     robot.go()
112 
113 if __name__ == '__main__':
114     main()
View Code

 

实际上这里也有一些爬虫的库，不多介绍
posted @ 2014-11-05 20:14  wybert  阅读(1289)  评论(0)  编辑  收藏  举报