当前位置：首页 > 工作总结 > 其他总结> Python标准库urllib2的一些使用细节总结

Python标准库urllib2的一些使用细节总结

时间：2023-03-20 08:02:42 其他总结收藏本文下载本文

Python标准库urllib2的一些使用细节总结（通用11篇）由网友“lhkkk”投稿提供，以下是小编整理过的Python标准库urllib2的一些使用细节总结，欢迎阅读与收藏。

篇1：Python标准库urllib2的一些使用细节总结

这篇文章主要介绍了Python标准库urllib2的一些使用细节总结,本文总结了Proxy 的设置、Timeout 设置、Redirect、Cookie等细节的使用,需要的朋友可以参考下

Python 标准库中有很多实用的工具类，但是在具体使用时，标准库文档上对使用细节描述的并不清楚，比如 urllib2 这个 HTTP 客户端库，这里总结了一些 urllib2 的使用细节。

1.Proxy 的设置

2.Timeout 设置

3.在 HTTP Request 中加入特定的 Header

4.Redirect

5.Cookie

6.使用 HTTP 的 PUT 和 DELETE 方法

7.得到 HTTP 的返回码

8.Debug Log

Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用下面的方式

代码如下:

import urllib2

enable_proxy = True

proxy_handler = urllib2.ProxyHandler({“http” : ‘some-proxy.com:8080‘})

null_proxy_handler = urllib2.ProxyHandler({})

if enable_proxy:

pener = urllib2.build_opener(proxy_handler)

else:

pener = urllib2.build_opener(null_proxy_handler)

urllib2.install_opener(opener)

这里要注意的一个细节，使用 urllib2.install_opener 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 设置

在老版 Python 中，urllib2 的 API 并没有暴露 Timeout 的设置，要设置 Timeout 值，只能更改 Socket 的全局 Timeout 值。

代码如下:

import urllib2

import socket

socket.setdefaulttimeout(10) # 10 秒钟后超时

urllib2.socket.setdefaulttimeout(10) # 另一种方式

在 Python 2.6 以后，超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

代码如下:

import urllib2

response = urllib2.urlopen(‘www.google.com‘, timeout=10)

在 HTTP Request 中加入特定的 Header

要加入 header，需要使用 Request 对象：

代码如下:

import urllib2

request = urllib2.Request(uri)

request.add_header(‘User-Agent‘, ‘fake-client‘)

response = urllib2.urlopen(request)

对有些 header 要特别留意，服务器会针对这些 header 做检查

User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求

Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。常见的取值有：

application/xml ：在 XML RPC，如 RESTful/SOAP 调用时使用

application/json ：在 JSON RPC 调用时使用

application/x-www-form-urlencoded ：浏览器提交 Web 表单时使用

在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

Redirect

urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作，无需人工配置，

要检测是否发生了 redirect 动作，只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

代码如下:

import urllib2

response = urllib2.urlopen(‘www.google.cn‘)

redirected = response.geturl() == ‘www.google.cn‘

如果不想自动 redirect，除了使用更低层次的 httplib 库之外，还可以自定义 HTTPRedirectHandler 类。

代码如下:

import urllib2

class RedirectHandler(urllib2.HTTPRedirectHandler):

def http_error_301(self, req, fp, code, msg, headers):

pass

def http_error_302(self, req, fp, code, msg, headers):

pass

pener = urllib2.build_opener(RedirectHandler)

opener.open(‘www.google.cn‘)

urllib2 对 Cookie 的处理也是自动的。如果需要得到某个 Cookie 项的值，可以这么做：

代码如下:

import urllib2

import cookielib

cookie = cookielib.CookieJar()

pener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

response = opener.open(‘www.google.com‘)

for item in cookie:

if item.name == ‘some_cookie_item_name‘:

print item.value

使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法，如果要使用 HTTP PUT 和 DELETE ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 PUT 或 DELETE 的请求：

代码如下:

import urllib2

request = urllib2.Request(uri, data=data)

request.get_method = lambda: ‘PUT‘ # or ‘DELETE‘

response = urllib2.urlopen(request)

这种做法虽然属于 Hack 的方式，但实际使用起来也没什么问题。

得到 HTTP 的返回码

对于 200 OK 来说，只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说，urlopen 会抛出异常。这时候，就要检查异常对象的 code 属性了：

代码如下:

import urllib2

try:

response = urllib2.urlopen(‘restrict.web.com‘)

except urllib2.HTTPError, e:

print e.code

Debug Log

使用 urllib2 时，可以通过下面的方法把 debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，有时可以省去抓包的工作

代码如下:

import urllib2

httpHandler = urllib2.HTTPHandler(debuglevel=1)

httpsHandler = urllib2.HTTPSHandler(debuglevel=1)

pener = urllib2.build_opener(httpHandler, httpsHandler)

urllib2.install_opener(opener)

response = urllib2.urlopen(‘www.google.com‘)

篇2：Python库urllib与urllib2主要区别分析

热点排行

Python入门教程超详细1小时学会

python 中文乱码问题深入分析

比较详细Python正则表达式操作指

Python字符串的encode与decode研

Python open读写文件实现脚本

Python enumerate遍历数组示例应

Python 深入理解yield

Python+Django在windows下的开发

python 字符串split的用法分享

python 文件和路径操作函数小结

篇3：Python中使用PDB库调试程序

这篇文章主要介绍了Python中使用PDB库调试程序,本文讲解了使用PDB的二种模式以及PDB模式下的常用调试命令,需要的朋友可以参考下

Python自带的pdb库，发现用pdb来调试程序还是很方便的，当然了，什么远程调试，多线程之类，pdb是搞不定的，

用pdb调试有多种方式可选：

1. 命令行启动目标程序，加上-m参数，这样调用myscript.py的话断点就是程序的执行第一行之前

代码如下:

python -m pdb myscript.py

2. 在Python交互环境中启用调试

代码如下:

>>>import pdb

>>>import mymodule

>>>pdb.run(‘mymodule.test‘)

3. 比较常用的，就是在程序中间插入一段程序，相对于在一般IDE里面打上断点然后启动debug，不过这种方式是hardcode的

代码如下:

if __name__ == “__main__”:

a = 1

import pdb

pdb.set_trace()

b = 2

c = a + b

print (c)

然后正常运行脚本，到了pdb.set_trace()那就会定下来，就可以看到调试的提示符(Pdb)了

常用的调试命令

h(elp)，会打印当前版本Pdb可用的命令，如果要查询某个命令，可以输入 h [command]，例如：“h l” ― 查看list命令

l(ist)，可以列出当前将要运行的代码块

代码如下:

(Pdb) l

497 pdb.set_trace()

498 base_data = {}

499 new_data = {}

500 try:

501 execfile(base_file_name,{},base_data)

502 ->execfile(new_file_name,{},new_data)

503 except:

504 logger.writeLog(“error! load result log error!”)

505 print “load cmp logs error!”

506 raise Exception, “load cmp logs error!”

507

b(reak)，设置断点，例如 “b 77″，就是在当前脚本的77行打上断点，还能输入函数名作为参数，断点就打到具体的函数入口，如果只敲b，会显示现有的全部断点

代码如下:

(Pdb) b 504

Breakpoint 4 at /home/jchen/regression/regressionLogCMP.py:504

condition bpnumber [condition]，设置条件断点，下面语句就是对第4个断点加上条件“a==3”

(Pdb) condition 4 a==3

(Pdb) b

Num Type Disp Enb Where

4 breakpoint keep yes at /home/jchen/regression/regressionLogCMP.py:504

stop only if a==3

cl(ear)，如果后面带有参数，就是清除指定的断点（我在Python2.4上从来没成功过！！！）；如果不带参数就是清除所有的断点

代码如下:

(Pdb) cl

Clear all breaks? y

disable/enable，禁用/激活断点

代码如下:

(Pdb) disable 3

(Pdb) b

Num Type Disp Enb Where

3 breakpoint keep no at /home/jchen/regression/regressionLogCMP.py:505

n(ext)，让程序运行下一行，如果当前语句有一个函数调用，用n是不会进入被调用的函数体中的

s(tep)，跟n相似，但是如果当前有一个函数调用，那么s会进入被调用的函数体中

c(ont(inue))，让程序正常运行，直到遇到断点

j(ump)，让程序跳转到指定的行数

代码如下:

(Pdb) j 497

>/home/jchen/regression/regressionLogCMP.py(497)compareLog()

->pdb.set_trace()

a(rgs)，打印当前函数的参数

代码如下:

(Pdb) a

_logger =

_base = ./base/MRM-8137.log

_new = ./new/MRM-8137.log

_caseid = 5550001

_toStepNum = 10

_cmpMap = {‘_bcmpbinarylog‘: ‘True‘, ‘_bcmpLog‘: ‘True‘, ‘_bcmpresp‘: ‘True‘}

p，最有用的命令之一，打印某个变量

代码如下:

(Pdb) p _new

u‘./new/MRM-8137.log‘

！，感叹号后面跟着语句，可以直接改变某个变量

q(uit)，退出调试

发现在命令行下调试程序也是一件挺有意思的事情，记录下来分享一下

w ，Print a stack trace, with the most recent frame. at the bottom.An arrow indicates the “current frame”, which determines the context of most commands. ‘bt‘ is an alias for this command.

d ，Move the current frame. one level down in the stack trace

(to a newer frame).

u ，Move the current frame. one level up in the stack trace

(to an older frame).

使用 u 和 d 命令，我们可以在栈帧之间切换，用以获取其相关上下文变量信息，

w可以显示最近的一些栈帧信息。

篇4：python使用心得之获得github代码库列表

热点排行

Python入门教程超详细1小时学会

python 中文乱码问题深入分析

比较详细Python正则表达式操作指

Python字符串的encode与decode研

Python open读写文件实现脚本

Python enumerate遍历数组示例应

Python 深入理解yield

Python+Django在windows下的开发

python 文件和路径操作函数小结

python 字符串split的用法分享

篇5：Python学习笔记11：标准库之文件管理

1 os包

os包包括各种各样的函数，以实现操作系统的许多功能，这个包非常庞杂。os包的一些命令就是用于文件管理。

我们这里列出最常用的:

mkdir(path)

创建新目录，path为一个字符串，表示新目录的路径。相当于$mkdir命令

比如说我们要新建目录new：

import osos.mkdir('/home/Document/new')

rmdir(path)

删除空的目录，path为一个字符串，表示想要删除的目录的路径。相当于$rmdir命令

listdir(path)

返回目录中所有文件。相当于$ls命令。

remove(path)

删除path指向的文件。

rename(src, dst)

重命名文件，src和dst为两个路径，分别表示重命名之前和之后的路径。

chmod(path, mode)

改变path指向的文件的权限，

相当于$chmod命令。

chown(path, uid, gid)

改变path所指向文件的拥有者和拥有组。相当于$chown命令。

stat(path)

查看path所指向文件的附加信息，相当于$ls -l命令。

symlink(src, dst)

为文件dst创建软链接，src为软链接文件的路径。相当于$ln -s命令。

getcwd

查询当前工作路径 (cwd, current working directory)，相当于$pwd命令。

2 shutil包

copy(src, dst)

复制文件，从src到dst。相当于$cp命令。

move(src, dst)

移动文件，从src到dst。相当于$mv命令。

比如我们想复制文件a.txt:

import shutilshutil.copy('a.txt', 'b.txt')

以上相关函数跟Linux系统下shell命令非常相似，熟悉Linux的人一看就可以明白了。

篇6：Python中使用第三方库xlrd来读取Excel示例

这篇文章主要介绍了Python中使用第三方库xlrd来读取Excel示例,本文讲解了安 lrd、xlrd的API、使用xlrd读取Excel代码示例,需要的朋友可以参考下

本篇文章介绍如何使用xlrd来读取Excel表格中的内容，xlrd是第三方库，所以在使用前我们需要安 lrd，另外我们一般会使用xlwt来写Excel，所以下一篇文章我们会来介绍如何使用xlwt来写Excel。xlrd下载：xlrd 0.8.0

安 lrd

安 lrd，只需运行setup即可，另外你也可以直接解压缩到你的project中，也可以直接用

xlrd的API

获取Excel，这里称之为work book

代码如下:

open_workbook(file_name)

获取指定的Sheet，有两种方式

代码如下:

sheet = xls.sheet_by_index(sheet_no)

sheet = xls.sheet_by_name(sheet_name)

获取整行和整列的值（数组）

代码如下:

sheet.row_values(i)

sheet.col_values(i)

获取总行数和总列数

代码如下:

nrows = sheet.nrows

ncols = sheet.ncols

使用xlrd

使用xlrd这里就用一个简单的例子示例下：

代码如下:

# -*- coding: utf-8 -*-

‘‘‘‘‘

Created on -12-14

@author: walfred

@module: XLRDPkg.read

@description:

‘‘‘

import os

import types

import xlrd as ExcelRead

def readXLS(file_name):

if os.path.isfile(file_name):

try:

xls = ExcelRead.open_workbook(file_name)

sheet = xls.sheet_by_index(0)

except Exception, e:

print “open %s error, error is %s” %(file_name, e)

return

rows_cnt = sheet.nrows

for row in range(1, rows_cnt):

name = sheet.row_values(row)[0].encode(“utf-8”).strip()

sex = sheet.row_values(row)[1].encode(“utf-8”).strip()

age = sheet.row_values(row)[2]

if type(age) is types.FloatType:#判读下类型

no = str(int(age))

else:

age = no.encode(“utf-8”).strip()

country = sheet.row_values(row)[3].encode(“utf-8”).strip()

print “Name: %s, Sex: %s, Age: %s, Country: %s” %(name, sex, age, country)

if __name__ == “__main__”:

readXLS(“./test_read.xls”);

很easy吧，需要说明的是，目前xlrd只支持95-03版本的MS Excel，所以使用之前需要核对自己的word版本，

篇7：Python中使用Beautiful Soup库的超详细教程

作者：崔庆才字体：[增加减小] 类型：

这篇文章主要介绍了Python中使用Beautiful Soup库的超详细教程,示例代码基于Python2.x版本,极力推荐!需要的朋友可以参考下

1. Beautiful Soup的简介

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据，官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

废话不多说，我们来试一下吧~

2. Beautiful Soup 安装

Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了，也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4)，另外据说 BS4 对 Python3 的支持不够好，不过我用的是 Python2.7.7，如果有小伙伴用的是 Python3 版本，可以考虑下载 BS3 版本。

如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装，不过它不是最新版本，目前是4.2.1版本

sudo apt-get install Python-bs4

如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2

Beautiful Soup 3.2.1Beautiful Soup 4.3.2

下载完成之后解压

运行下面的命令即可完成安装

sudo python setup.py install

如下图所示，证明安装成功了

然后需要安装 lxml

sudo apt-get install Python-lxml

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

3. 开启Beautiful Soup 之旅

在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。

官方文档

4. 创建 Beautiful Soup 对象

首先必须要导入 bs4 库

from bs4 import BeautifulSoup

我们创建一个字符串，后面的例子我们便会用它来演示

html = “”“The Dormouse‘s story

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were,Lacie andTillie;and they lived at the bottom of a well.

...

”“”

创建 beautifulsoup 对象

soup = BeautifulSoup(html)

另外，我们还可以用本地 HTML 文件来创建对象，例如

soup = BeautifulSoup(open(‘index.html‘))

上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容，格式化输出

print soup.prettify The Dormouse‘s story

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were , Lacie and Tillie ;and they lived at the bottom of a well.

...

以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

5. 四大对象种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

Tag

NavigableString

BeautifulSoup

Comment

下面我们进行一一介绍

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

The Dormouse‘s storyElsie

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

下面每一段代码中注释部分即为运行结果

print soup.title#The Dormouse‘s storyprint soup.head#The Dormouse‘s storyprint soup.a# print soup.p#

The Dormouse‘s story

我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。

我们可以验证一下这些对象的类型

print type(soup.a)#

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

name print soup.nameprint soup.head.name#[document]#head

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs print soup.p.attrs#{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}

在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print soup.p[‘class‘]#[‘title‘]

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get(‘class‘)#[‘title‘]

我们可以对这些属性和内容等等进行修改，例如

soup.p[‘class‘]=“newClass”print soup.p#

The Dormouse‘s story

还可以对这个属性进行删除，例如

del soup.p[‘class‘]print soup.p#

The Dormouse‘s story

不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档

（2）NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

print soup.p.string#The Dormouse‘s story

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫可以遍历的字符串，不过我们最好还是称它英文名字吧。

print type(soup.p.string)#

来检查一下它的类型

print type(soup.p.string)#

（3）BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

print type(soup.name)#print soup.name # [document]print soup.attrs #{} 空字典

（4）Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

print soup.aprint soup.a.stringprint type(soup.a.string)

运行结果如下

Elsie

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

if type(soup.a.string)==bs4.element.Comment: print soup.a.string

上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

6. 遍历文档树

（1）直接子节点

要点：.contents .children 属性

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.head.contents #[The Dormouse‘s story]

输出方式为列表，我们可以用列表索引来获取它的某一个元素

print soup.head.contents[0]#The Dormouse‘s story.children

它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

print soup.head.children#

我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

for child in soup.body.children: print child

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were,Lacie andTillie;and they lived at the bottom of a well.

...

（2）所有子孙节点

知识点：.descendants 属性

.descendants

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

for child in soup.descendants: print child

运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were,Lacie andTillie;and they lived at the bottom of a well.

...

The Dormouse‘s storyThe Dormouse‘s storyThe Dormouse‘s story

The Dormouse‘s story

Once upon a time there were three little sisters; and their names were,Lacie andTillie;and they lived at the bottom of a well.

...

The Dormouse‘s story

The Dormouse‘s storyThe Dormouse‘s story

Once upon a time there were three little sisters; and their names were,Lacie andTillie;and they lived at the bottom of a well.

Once upon a time there were three little sisters; and their names were Elsie , LacieLacie and TillieTillie;and they lived at the bottom of a well.

...

（3）节点内容

知识点：.string 属性

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如

print soup.head.string#The Dormouse‘s storyprint soup.title.string#The Dormouse‘s story

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

print soup.html.string# None

（4）多个内容

知识点： .strings .stripped_strings 属性

.strings

获取多个内容，不过需要遍历获取，比如下面的例子

for string in soup.strings: print(repr(string)) # u“The Dormouse‘s story” # u‘\n\n‘ # u“The Dormouse‘s story” # u‘\n\n‘ # u‘Once upon a time there were three little sisters; and their names were\n‘ # u‘Elsie‘ # u‘,\n‘ # u‘Lacie‘ # u‘ and\n‘ # u‘Tillie‘ # u‘;\nand they lived at the bottom of a well.‘ # u‘\n\n‘ # u‘...‘ # u‘\n‘

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings: print(repr(string)) # u“The Dormouse‘s story” # u“The Dormouse‘s story” # u‘Once upon a time there were three little sisters; and their names were‘ # u‘Elsie‘ # u‘,‘ # u‘Lacie‘ # u‘and‘ # u‘Tillie‘ # u‘;\nand they lived at the bottom of a well.‘ # u‘...‘

（5）父节点

知识点： .parent 属性

p = soup.pprint p.parent.name#body content = soup.head.title.stringprint content.parent.name#title

（6）全部父节点

知识点：.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

content = soup.head.title.stringfor parent in content.parents: print parent.name

titleheadhtml[document]

（7）兄弟节点

知识点：.next_sibling .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

print soup.p.next_sibling# 实际该处为空白print soup.p.prev_sibling#None 没有前一个兄弟节点，返回 Noneprint soup.p.next_sibling.next_sibling#

Once upon a time there were three little sisters; and their names were#,#Lacie and#Tillie;#and they lived at the bottom of a well.

#下一个节点的下一个兄弟节点是我们可以看到的节点

（8）全部兄弟节点

知识点：.next_siblings .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings: print(repr(sibling)) # u‘,\n‘ # Lacie # u‘ and\n‘ # Tillie # u‘; and they lived at the bottom of a well.‘ # None

（9）前后节点

知识点：.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为

The Dormouse‘s story

那么它的下一个节点便是 title，它是不分层次关系的

print soup.head.next_element#The Dormouse‘s story

（10）所有前后节点

知识点：.next_elements .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in last_a_tag.next_elements: print(repr(element))# u‘Tillie‘# u‘;\nand they lived at the bottom of a well.‘# u‘\n\n‘#

...

# u‘...‘# u‘\n‘# None

7.搜索文档树

（1）find_all( name , attrs , recursive , text , **kwargs )

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

1）name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签

soup.find_all(‘b‘)# [The Dormouse‘s story] print soup.find_all(‘a‘)#[, Lacie, Tillie]

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示和标签都应该被找到

import refor tag in soup.find_all(re.compile(“^b”)): print(tag.name)# body# b

C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签

soup.find_all([“a”, “b”])# [The Dormouse‘s story,# Elsie,# Lacie,# Tillie]

D.传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

for tag in soup.find_all(True): print(tag.name)# html# head# title# body# p# b# p# a# a

E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘)

将这个方法作为参数传入 find_all() 方法,将得到所有

标签:

soup.find_all(has_class_but_no_id)# [

The Dormouse‘s story

Once upon a time there were...

...

]

2）keyword 参数

注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id=‘link2‘)# [Lacie]

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

soup.find_all(href=re.compile(“elsie”))# [Elsie]

使用多个指定名字的参数可以同时过滤tag的多个属性

soup.find_all(href=re.compile(“elsie”), id=‘link1‘)# [three]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all(“a”, class_=“sister”)# [Elsie,# Lacie,# Tillie]

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

soup.find_all(“a”, class_=“sister”)# [Elsie,# Lacie,# Tillie]

但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={“data-foo”: “value”})# [foo!]

3）text 参数

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受字符串 , 正则表达式 , 列表, True

soup.find_all(text=“Elsie”)# [u‘Elsie‘] soup.find_all(text=[“Tillie”, “Elsie”, “Lacie”])# [u‘Elsie‘, u‘Lacie‘, u‘Tillie‘] soup.find_all(text=re.compile(“Dormouse”))[u“The Dormouse‘s story”, u“The Dormouse‘s story”]

4）limit 参数

find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all(“a”, limit=2)# [Elsie,# Lacie]

5）recursive 参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

一段简单的文档:

代码如下:

The Dormouse‘s story

...

是否使用 recursive 参数的搜索结果:

soup.html.find_all(“title”)# [The Dormouse‘s story] soup.html.find_all(“title”, recursive=False)# []

（2）find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

（3）find_parents() find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

（4）find_next_siblings() find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

（5）find_previous_siblings() find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

（6）find_all_next() find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

（7）find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述，

8.CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）通过标签名查找

print soup.select(‘title‘) #[The Dormouse‘s story] print soup.select(‘a‘)#[, Lacie, Tillie] print soup.select(‘b‘)#[The Dormouse‘s story]

（2）通过类名查找

print soup.select(‘.sister‘)#[, Lacie, Tillie]

（3）通过 id 名查找

print soup.select(‘#link1‘)#[]

（4）组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print soup.select(‘p #link1‘)#[]

直接子标签查找

print soup.select(“head >title”)#[The Dormouse‘s story]

（5）属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

print soup.select(“head >title”)#[The Dormouse‘s story] print soup.select(‘a[href=“example.com/elsie”]‘)#[]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select(‘p a[href=“example.com/elsie”]‘)#[]

好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？

总结

本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！

熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！

篇8：Python学习笔记13：标准库之子进程（subprocess包）

ubprocess包主要功能是执行外部的命令和程序，从这个意义上来说，subprocess的功能与shell类似。

subprocess以及常用的封装函数

当我们运行python的时候，我们都是在创建并运行一个进程。

在Python中，我们通过标准库中的subprocess包来fork一个子进程，并运行一个外部的程序。

subprocess包中定义有数个创建子进程的函数，这些函数分别以不同的方式创建子进程，所以我们可以根据需要来从中选取一个使用。

另外subprocess还提供了一些管理标准流(standard stream)和管道(pipe)的工具，从而在进程间使用文本通信。

使用subprocess包中的函数创建子进程的时候，要注意:

1) 在创建子进程之后，父进程是否暂停，并等待子进程运行。

2) 函数返回什么

3) 当returncode不为0时，父进程如何处理。

subprocess.call()

父进程等待子进程完成

返回退出信息(returncode，相当于exit code）

subprocess.check_call()

父进程等待子进程完成

返回0

检查退出信息，如果returncode不为0，则举出错误subprocess.CalledProcessError，

该对象包含有returncode属性，可用try…except…来检查。

subprocess.check_output()

父进程等待子进程完成

返回子进程向标准输出的输出结果

检查退出信息，如果returncode不为0，则举出错误subprocess.CalledProcessError，

该对象包含有returncode属性和output属性，output属性为标准输出的输出结果，可用try…except…来检查。

这三个函数的使用方法相类似，以subprocess.call()来说明:

import subprocess

rc = subprocess.call([“ls”,“-l”])

将程序名(ls)和所带的参数(-l)一起放在一个表中传递给subprocess.call()

可以通过一个shell来解释一整个字符串:

import subprocessimport subprocesschild = subprocess.Popen([“ping”,“-c”,“5”,“www.google.com”])print(“parent process”)

out = subprocess.call(“ls -l”, shell=True)out = subprocess.call(“cd ..”, shell=True)使用了shell=True这个参数，这个时候，我们使用一整个字符串，而不是一个表来运行子进程。

Python将先运行一个shell，再用这个shell来解释这整个字符串。

shell命令中有一些是shell的内建命令，这些命令必须通过shell运行，$cd。shell=True允许我们运行这样一些命令，

Popen()

实际上，我们上面的三个函数都是基于Popen()的封装(wrapper)。这些封装的目的在于让我们容易使用子进程。

当我们想要更个性化我们的需求的时候，就要转向Popen类，该类生成的对象用来代表子进程。

与上面的封装不同，Popen对象创建后，主程序不会自动等待子进程完成。

我们必须调用对象的wait()方法，父进程才会等待 (也就是阻塞block)：

从运行结果中看到，父进程在开启子进程之后并没有等待child的完成，而是直接运行print。

对比等待的情况:

import subprocesschild = subprocess.Popen([“ping”,“-c”,“5”,“www.google.com”])child.wait()print(“parent process”)

此外，你还可以在父进程中对子进程进行其它操作，比如我们上面例子中的child对象:

child.poll() # 检查子进程状态

child.kill() # 终止子进程

child.send_signal() # 向子进程发送信号

child.terminate()# 终止子进程

子进程的PID存储在child.pid

子进程的文本流控制

子进程的标准输入，标准输出和标准错误也可以通过如下属性表示:

child.stdin

child.stdout

child.stderr

我们可以在Popen()建立子进程的时候改变标准输入、标准输出和标准错误，

并可以利用subprocess.PIPE将多个子进程的输入和输出连接在一起，构成管道(pipe):

import subprocesschild1 = subprocess.Popen([“ls”,“-l”], stdout=subprocess.PIPE)child2 = subprocess.Popen([“wc”], stdin=child1.stdout,stdout=subprocess.PIPE)out = child2.communicate()print(out)

subprocess.PIPE实际上为文本流提供一个缓存区。

child1的stdout将文本输出到缓存区，随后child2的stdin从该PIPE中将文本读取走。

child2的输出文本也被存放在PIPE中，直到communicate()方法从PIPE中读取出PIPE中的文本。

要注意的是，communicate()是Popen对象的一个方法，该方法会阻塞父进程，直到子进程完成。

我们还可以利用communicate()方法来使用PIPE给子进程输入:

import subprocesschild = subprocess.Popen([“cat”], stdin=subprocess.PIPE)child.communicate(“vamei”)

我们启动子进程之后，cat会等待输入，直到我们用communicate()输入”vamei”。

通过使用subprocess包，我们可以运行外部程序。这极大的拓展了Python的功能。

如果你已经了解了操作系统的某些应用，你可以从Python中直接调用该应用(而不是完全依赖Python)，并将应用的结果输出给Python，并让Python继续处理。

shell的功能(比如利用文本流连接各个应用)，就可以在Python中实现。

篇9：Python学习笔记18：标准库之多进程（multiprocessing包）

根据共享内存(shared memory)的原理，这里给出用Python实现的例子:

import multiprocessing def f(n, a): n.value = 3.14 a[0]= 5 num = multiprocessing.Value('d', 0.0)arr = multiprocessing.Array('i', range(10)) p = multiprocessing.Process(target=f, args=(num, arr))p.startp.join() print num.valueprint arr[:]

这里我们实际上只有主进程和Process对象代表的进程。

我们在主进程的内存空间中创建共享的内存，也就是Value和Array两个对象。对象Value被设置成为双精度数(d), 并初始化为0.0。

而Array则类似于C中的数组，有固定的类型(i, 也就是整数)。在Process进程中，我们修改了Value和Array对象。

回到主程序，打印出结果，主程序也看到了两个对象的改变，说明资源确实在两个进程之间共享。

篇10：Python学习笔记18：标准库之多进程（multiprocessing包）

Manager对象类似于服务器与客户之间的通信 (server-client)，与我们在Internet上的活动很类似。

我们用一个进程作为服务器，建立Manager来真正存放资源。其它的进程可以通过参数传递或者根据地址来访问Manager，建立连接后，操作服务器上的资源。

在防火墙允许的情况下，我们完全可以将Manager运用于多计算机，从而模仿了一个真实的网络情境。

下面的例子中，我们对Manager的使用类似于shared memory，但可以共享更丰富的对象类型。

import multiprocessing def f(x, arr, l): x.value = 3.14 arr[0] = 5 l.append('Hello') server = multiprocessing.Manager()x = server.Value('d', 0.0)arr = server.Array('i', range(10))l = server.list() proc = multiprocessing.Process(target=f, args=(x, arr, l))proc.start()proc.join() print(x.value)print(arr)print(l)

Manager利用list()方法提供了表的共享方式。

实际上你可以利用dict()来共享词典，Lock()来共享threading.Lock(注意，我们共享的是threading.Lock，而不是进程的mutiprocessing.Lock。后者本身已经实现了进程共享)等。

这样Manager就允许我们共享更多样的对象。