下面我们再来看看 urllib 模块提供的 urlretrieve() 函数。urlretrieve() 方法直接将远程数据下载到本地。
>>> help(urllib.urlretrieve) Help on function urlretrieve in module urllib: urlretrieve(url, filename=None, reporthook=None, data=None)
- 参数 finename 指定了保存本地路径（如果参数未指定，urllib会生成一个临时文件保存数据。）
- 参数 reporthook 是一个回调函数，当连接上服务器、以及相应的数据块传输完毕时会触发该回调，我们可以利用这个回调函数来显示当前的下载进度。
- 参数 data 指 post 到服务器的数据，该方法返回一个包含两个元素的(filename, headers)元组，filename 表示保存到本地的路径，header 表示服务器的响应头。
下面通过例子来演示一下这个方法的使用，这个例子将 google 的 html 抓取到本地，保存在 D:/google.html 文件中，同时显示下载的进度。
1 import urllib 2 def cbk(a, b, c): 3 '''回调函数 4 @a: 已经下载的数据块 5 @b: 数据块的大小 6 @c: 远程文件的大小 7 ''' 8 per = 100.0 * a * b / c 9 if per > 100: 10 per = 100 11 print '%.2f%%' % per 12 13 url = 'http://www.google.com' 14 local = 'd://google.html' 15 urllib.urlretrieve(url, local, cbk)
下面是 urlretrieve() 下载文件实例，可以显示下载进度。
1 #!/usr/bin/python 2 #encoding:utf-8 3 import urllib 4 import os 5 def Schedule(a,b,c): 6 ''''' 7 a:已经下载的数据块 8 b:数据块的大小 9 c:远程文件的大小 10 ''' 11 per = 100.0 * a * b / c 12 if per > 100 : 13 per = 100 14 print '%.2f%%' % per 15 url = 'http://www.python.org/ftp/python/2.7.5/Python-2.7.5.tar.bz2' 16 #local = url.split('/')[-1] 17 local = os.path.join('/data/software','Python-2.7.5.tar.bz2') 18 urllib.urlretrieve(url,local,Schedule) 19 ######output###### 20 #0.00% 21 #0.07% 22 #0.13% 23 #0.20% 24 #.... 25 #99.94% 26 #100.00%
通过上面的练习可以知道，urlopen() 可以轻松获取远端 html 页面信息，然后通过 python 正则对所需要的数据进行分析，匹配出想要用的数据，在利用urlretrieve() 将数据下载到本地。对于访问受限或者对连接数有限制的远程 url 地址可以采用 proxies（代理的方式）连接，如果远程数据量过大，单线程下载太慢的话可以采用多线程下载，这个就是传说中的爬虫。