Python urllib.request模块读取资源用法详解

在 urllib.request 子模块下包含了一个非常实用的urllib.request.urlopen(url, data=None) 方法,该方法用于打开 url 指定的资源,并从中读取数据。根据请求 url 的不同,该方法的返回值会发生动态改变。如果 url 是一个 HTTP 地址,那么该方法返回一个 http.client.HTTPResponse 对象。

例如如下程序:
from urllib.request import *

# 打开URL对应的资源
result = urlopen('http://www.crazyit.org/index.php')
# 按字节读取数据
data = result.read(326)
# 将字节数据恢复成字符串
print(data.decode('utf-8'))

# 用context manager来管理打开的URL资源
with urlopen('http://www.crazyit.org/index.php') as f:
    # 按字节读取数据
    data = f.read(326)
    # 将字节数据恢复成字符串
    print(data.decode('utf-8'))
上面程序都是向 http://www.crazyit.org/index.php 发送请求,并请求下载该页面的内容。只不过第一个示例程序是直接获取 http://www.crazyit.org/index.php 资源的数据;第二个示例程序则使用 context manager 来管理通过 urlopen 打开的资源。

运行上面程序,可以看到程序分两次获取并输出了 http://www.crazyit.org/index.php 页面内容。

在使用 urlopen() 函数时,可以通过 data 属性向被请求的 URL 发送数据。例如如下程序:
from urllib.request import *

# 向https://localhost/cgi-bin/test.cgi发送请求数据
#with urlopen(url='https://localhost/cgi-bin/test.cgi',
with urlopen(url='http://localhost:8888/test/test',    #①
    data='测试数据'.encode('utf-8')) as f:
    # 读取服务器全部响应
    print(f.read().decode('utf-8'))
上面程序为 data 属性指定了一个 bytes 字节数据,该字节数据会以原始二进制流的方式提交给服务器。

上面程序需要在本地(localhost)部署一个 Web 应用,该程序对应的服务器端所使用的 CGI 代码为:

#!/usr/bin/env python
import sys
data = sys.stdin.read()
print('Content-type: text/plain\n\nGot Data:"%s"' % data)

运行上面程序,可以看到如下输出结果:

Got Data:"测试数据"


如果使用 urlopen() 函数向服务器页面发送 GET 请求参数,则无须使用 data 属性,直接把请求参数附加在 URL 之后即可。例如如下代码:
import urllib.parse
params = urllib.parse.urlencode({'name': 'fkit', 'password': '123888'})
# 将请求参数添加到URL的后面
url = 'http://localhost:8888/test/get.jsp?%s' % params
with urlopen(url=url) as f:
    # 读取服务器全部响应
    print(f.read().decode('utf-8'))
正如程序中第 4 行代码所看到的,程序在发送 GET 请求参数时,只要将请求参数附加到 URL 的后面即可(上面程序同样需要服务器的支持)。

运行上面程序,可以看到如下输出结果:

name 参数:fkit
password 参数:123888


如果想通过 urlopen() 函数发送 POST 请求参数,则同样可通过 data 属性来实现。例如如下代码:
import urllib.parse
params = urllib.parse.urlencode({'name': '疯狂软件', 'password': '123888'})
params = params.encode('utf-8')
# 使用data指定请求参数
with urlopen("http://localhost:8888/test/post.jsp", data=params) as f:
    print(f.read().decode('utf-8'))
从上面第 5 行代码可以看到,如果要向指定地址发送 POST 请求,那么通过 data 指定请求参数即可。

实际上,使用 data 属性不仅可以发送 POST 请求,还可以发送 PUT、PATCH、DELETE 等请求,此时需要使用 urllib.request.Request 来构建请求参数。程序使用 urlopen() 函数打开远程资源时,第一个 url 参数既可以是 URL 字符串,也可以使用 urllib.request.Request 对象。

urllib.request.Request 对象的构造器如下:

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

从该构造器可以看出,使用 Request 可以通过 method 指定请求方法,也可以通过 data 指定请求参数,还可以通过 headers 指定请求头。

下面代码示范了如何通过 Request 对象来发送 PUT 请求:
from urllib.request import *

params = 'put请求数据'.encode('utf-8')
# 创建Request对象,设置使用PUT请求
req = Request(url='http://localhost:8888/test/put',
    data=params, method='PUT')
with urlopen(req) as f:
    print(f.status)
    print(f.read().decode('utf-8'))
正如从代码中所看到的,程序在创建 Request 对象时通过 method 指定使用 PUT 请求方式,这意味着程序会发送 PUT 请求。

正如刚刚所提到的,程序也可以使用 Request 对象来添加请求头。例如如下代码:
# 创建Request对象
req = Request('http://localhost:8888/test/header.jsp')
# 添加请求头
req.add_header('Referer', 'http://www.crazyit.org/')
with urlopen(req) as f:
    print(f.status)
    print(f.read().decode('utf-8'))
程序通过 Request 的 add_header() 方法添加了一个 Referer 请求头,服务器端的处理程序将可以读到此处添加的请求头。

通过 urlopen() 函数打开远程资源之后,也可以非常方便地读取远程资源(甚至实现多线程下载)。如下程序实现了一个多线程下载的工具类:
from urllib.request import *
import threading

class DownUtil:
    def __init__(self, path, target_file, thread_num):
        # 定义下载资源的路径
        self.path = path
        # 定义需要使用多少个线程下载资源
        self.thread_num = thread_num
        # 指定所下载的文件的保存位置
        self.target_file = target_file
        # 初始化threads数组
        self.threads = []
    def download(self):
        # 创建Request对象
        req = Request(url=self.path, method='GET')
        # 添加请求头
        req.add_header('Accept', '*/*')
        req.add_header('Charset', 'UTF-8')
        req.add_header('Connection', 'Keep-Alive')
        # 打开要下载的资源
        f = urlopen(req)
        # 获取要下载的文件大小
        self.file_size = int(dict(f.headers).get('Content-Length', 0))
        f.close()
        # 计算每个线程要下载的资源大小
        current_part_size = self.file_size // self.thread_num + 1
        for i in range(self.thread_num):
            # 计算每个线程下载的开始位置
            start_pos = i * current_part_size
            # 每个线程使用一个wb模式打开的文件进行下载
            t = open(self.target_file, 'wb')
            # 定位该线程的下载位置
            t.seek(start_pos, 0);
            # 创建下载线程
            td = DownThread(self.path, start_pos, current_part_size, t)
            self.threads.append(td)
            # 启动下载线程
            td.start()
    # 获取下载的完成百分比
    def get_complete_rate(self):
        # 统计多个线程已经下载的总大小
        sum_size = 0
        for i in range(self.thread_num):
            sum_size += self.threads[i].length
        # 返回已经完成的百分比
        return sum_size / self.file_size
class DownThread(threading.Thread):
    def __init__(self, path, start_pos, current_part_size, current_part):
        super().__init__()
        self.path = path
        # 当前线程的下载位置
        self.start_pos = start_pos
        # 定义当前线程负责下载的文件大小
        self.current_part_size = current_part_size
        # 当前线程需要下载的文件块
        self.current_part = current_part
        # 定义该线程已下载的字节数
        self.length = 0
    def run(self):
        # 创建Request对象
        req = Request(url = self.path, method='GET')
        # 添加请求头
        req.add_header('Accept', '*/*')
        req.add_header('Charset', 'UTF-8')
        req.add_header('Connection', 'Keep-Alive')
        # 打开要下载的资源
        f = urlopen(req)
        # 跳过self.start_pos个字节,表明该线程只下载自己负责的那部分内容
        for i in range(self.start_pos):
            f.read(1)
        # 读取网络数据,并写入本地文件
        while self.length < self.current_part_size:
            data = f.read(1024)
            if data is None or len(data) <= 0:
                break
            self.current_part.write(data)
            # 累计该线程下载的总大小
            self.length += len(data)
        self.current_part.close()
        f.close()
程序中定义了 DownThread 线程类,该线程类负责读取从 start_pos 开始、长度为 current_part_size 的所有字节数据,并写入本地文件对象中。DownThread 线程类的 run() 方法就是一个简单的输入/输出实现。

程序中 DownUtils 类的 download() 方法负责按如下步骤来实现多线程下载:
  1. 使用 urlopen() 方法打开远程资源。
  2. 获取指定的 URL 对象所指向资源的大小(通过 Content-Length 响应头获取)。
  3. 计算每个线程应该下载网络资源的哪个部分(从哪个字节开始,到哪个字节结束)。
  4. 依次创建并启动多个线程来下载网络资源的指定部分。

上面程序已经实现了多线程下载的核心代码,如果要实现断点下载,则需要额外增加一个配直文件(读者可以发现,所有的断点下载工具都会在下载开始时生成两个文件:一个是与网络资源具有相同大小的空文件;一个是配置文件),该配置文件分别记录每个线程已经下载到哪个字节,当网络断开后再次开始下载时,每个线程根据配置文件中记录的位置向后下载即可。


有了上面的 DownUtil 工具类之后,接下来就可以在主程序中调用该工具类的 download() 方法执行下载,如下面的程序所示:
from DownUtil import *

du = DownUtil("http://www.crazyit.org/data/attachment/" \
    + "forum/201801/19/121212ituj1s9gj8g880jr.png", 'a.png', 3)
du.download()
def show_process():
    print("已完成:%.2f" % du.get_complete_rate())
    global t
    if du.get_complete_rate() < 1:
        # 通过定时器启动0.1之后执行show_process函数
        t = threading.Timer(0.1, show_process)
        t.start()
# 通过定时器启动0.1之后执行show_process函数
t = threading.Timer(0.1, show_process)
t.start()
运行上面程序,即可看到程序从 www.crazyit.org 下载得到一个名为 a.png 的图片文件。