Python爬蟲：使用urllib.request.urlretrieve下載網絡資源

一、urlretrieve函數的基本用法

Python作為一門強大的編程語言，為我們提供了各種各樣的庫，其中urllib庫是Python內置的一個HTTP客戶端庫，可以模擬瀏覽器請求，獲取網頁數據，進而實現爬蟲操作。其中urllib.request模塊下的urlretrieve函數可以用來下載網絡資源，其基本用法如下：

import urllib.request
url = 'http://www.example.com/example.jpg' # 資源的URL地址
filename = 'example.jpg' # 文件的保存名稱
urllib.request.urlretrieve(url, filename) # 下載資源並保存到本地

其中，url參數為資源的URL地址，最好包含協議頭（http或https），filename參數為保存文件的名稱，下載完成後就可以在本地看到該文件了。

二、urlretrieve函數的參數詳解

urlretrieve函數還有其他的一些可選的參數，下面是一些常用的參數的詳解：

1. reporthook參數

reporthook參數可以用來設置一個回調函數（callback function），用於監視下載進度。這個回調函數接受三個參數：目前已經傳輸的數據塊數、每塊數據的大小、總大小。我們可以根據這些信息打印出下載進度條等信息。

import urllib.request
import os
url = 'http://www.example.com/example.jpg'
filename = 'example.jpg'
path = os.path.join(os.getcwd(), 'downloads') # 下載文件的保存路徑
if not os.path.exists(path): # 檢查路徑是否存在，不存在就新建一個
    os.mkdir(path)
urllib.request.urlretrieve(url, os.path.join(path, filename), 
                            reporthook=lambda blocknum, blocksize, totalsize: 
                            print('\rdownloading %.2f%%' % (blocknum * blocksize * 100 / totalsize)), 
                            data=None) # 設置回調函數

以上代碼中的reporthook參數中的lambda函數將當前下載進度實時輸出，在後面的data參數中可以設置數據塊的大小，默認為8192位元組。

2. data參數

data參數也是一個回調函數，可以用來獲取服務器的響應（response）頭部信息。這裡的響應頭部包括一些瀏覽器支持的HTTP頭部，可以根據需求選擇讀取哪些信息。函數的調用方式與reporthook類似。

import urllib.request
url = 'http://www.example.com'
req = urllib.request.Request(url, headers={'User-Agent': 'Mozilla/5.0'}) # 添加請求頭
with urllib.request.urlopen(req) as response:
    headers = response.info()
    urllib.request.urlretrieve(url, 'index.html', data=lambda *args, **kwargs: headers)
print(headers)

以上代碼中將發送一個HTTP請求，使用with語句進行響應處理，然後將響應頭部信息保存到本地文件中。

3. context參數

context參數可以用來訪問HTTPS網站，它可以是一個ssl.SSLContext對象，也可以是None。ssl.SSLContext對象可以用來存儲證書驗證信息和協議選項，從而實現安全的HTTPS連接。如果不設置該參數，Python會使用默認的上下文信息，但可能會遇到安全問題。

import urllib.request
import ssl
url = 'https://www.example.com'
ssl._create_default_https_context = ssl._create_unverified_context # 全局設置不進行證書驗證
urllib.request.urlretrieve(url, 'index.html', context=ssl._create_unverified_context()) # 使用ssl._create_unverified_context()上下文

以上代碼中使用了ssl._create_default_https_context()創建了一個默認的SSL上下文對象，然後給它設置了不進行證書驗證的選項，最後將其傳入urlretrieve的context參數中，從而實現了訪問HTTPS網站的目的。

三、小結

urlretrieve函數是Python爬蟲操作中必不可少的一個函數，其能夠實現下載網絡資源的功能。在使用urlretrieve函數時，我們需要設置一些參數來實現自己的需求。本文介紹了urlretrieve函數的基本用法和常見的參數設置方法，相信大家對這個函數的使用已經有了更深入的了解。