首页 > 代码库 > 使用python访问网络上的数据
使用python访问网络上的数据
这两天看完了Course上面的：
使用 Python 访问网络数据
https://www.coursera.org/learn/python-network-data/
写了一些作业，完成了一些作业。做些学习笔记以做备忘。
1.正则表达式 --- 虽然后面的课程没有怎么用到这个知识点，但是这个技能还是蛮好的。
附上课程中列出来的主要正则表达式的用法：
Python Regular Expression Quick Guide^ Matches the beginning of a line$ Matches the end of the line. Matches any character\s Matches whitespace\S Matches any non-whitespace character* Repeats a character zero or more times*? Repeats a character zero or more times (non-greedy)+ Repeats a character one or more times+? Repeats a character one or more times (non-greedy)[aeiou] Matches a single character in the listed set[^XYZ] Matches a single character not in the listed set[a-z0-9] The set of characters can include a range( Indicates where string extraction is to start) Indicates where string extraction is to end
特别的以前没注意：From([0-9a-z]) 其实是取得符合整个规则的语句中()的部分。
并且 (.)并不表示任意字符而是只是.的意思。
附上作业编程：
import redef sumText(name): handle = open(name, ‘r‘) sum = 0 for line in handle: nums = re.findall(‘[0-9]+‘, line) if len(nums) >=1: for num in nums: sum += int(num) return sumfiledir = raw_input("imput fileName :")sum1 = sumText(filedir)print sum1
2.使用python建立socket链接
介绍了下socket，一个用于和应用通讯的东西，每个网络应用都有对应的端口号，通过协议+主机名+端口就可以找到这个应用进行通讯了。
展示了使用telnet来获取http服务的方式。
telnet www.cnblogs.com 80 GET http://www.cnblogs.com/webarn/p/6398989.html HTTP/1.0
不一定成功，觉得不是课程上面说的速度太慢的原因。
嗯附上自己知道比较简单的方式：
curl -XGET http://www.cnblogs.com/webarn/p/6398989.html
或者 使用python直接建立url链接，代码如下：
import socketmysock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)mysock.connect((‘data.pr4e.org‘, 80))mysock.send(‘GET http://data.pr4e.org/intro-short.txt HTTP/1.0\n\n‘)while True: data = mysock.recv(512) if ( len(data) < 1 ) : break print data;mysock.close()
再或者，使用浏览器的开发者工具也是一目了然的。
3.理解HTML并且进行解析
由于网页大部分都是html格式也就是超文本标记语言，是大部分网页展示的时候使用的语言，所以告诉了我们python里面也是有解析html 的包的：BeautifulSoup。
这个项目的链接如下：
https://www.crummy.com/software/BeautifulSoup/
使用详情可以查看它。
然后就是代码怎么使用了，还是自己作业的小小demo：
import urllibfrom BeautifulSoup import *url = raw_input(‘Enter - ‘)html = urllib.urlopen(url).read()soup = BeautifulSoup(html)sum = 0trs = soup(‘tr‘)for tr in trs: if tr.span is not None: num = int(tr.span.contents[0]) sum += numprint sum
4.webService 和xml
介绍了xml，可扩展标记语言。主要用来传输和存储数据。可读性会比较强。很多webservice的通讯协议都是用xml来设计的。
其中有一个schme的概念，比如我们以前会写一些xsd文件来表示xml数据结构中的约束，比如字段是否可输还是必输，比如字段类型，这是一个约束，也是类似于协议的东西。
schema也会有很多的标准的。
xml解析用的是python内部的包：
xml.etree.ElementTree，将xml作为一个树状结构来解析了,要获取字段值要从根节点来数。
代码 如下：
import urllibimport xml.etree.ElementTree as ETurl = raw_input("Enter location:")print ‘Retrieving‘, urluh = urllib.urlopen(url)data = uh.read()print ‘\nRetrieved ‘, len(data), ‘ characters‘tree = ET.fromstring(data)comments = tree.findall(‘.//comment‘)sum = 0count = len(comments)print ‘Count:‘, countfor comment in comments: sum += int(comment.find(‘count‘).text)print ‘Sum:‘, sum
5.json，api
这节谈到了SOA，面向对象服务，大型的系统都会用到这个，感觉上是各个系统中都有一层中间层用于通讯，通讯所用的数据协议，格式都是统一的，这样可以互相通讯。当然里面还有服务发现等问题需要考虑。但是有了SOA的架构之后，各个不同的系统都可以通讯了。
api 课程中举了google map的api和twitter的api，各个应用可能都提供了api来进行调用，application program interface 就是和一个系统通讯的接口。api的格式比较简单，使用REST风格的调用。RESTFul风格感觉可以再写一篇文章了，可以看看他们直接的关系，但是我看到的api大都是网址+参数。就是这种 http://www.xxxx.com?para1=11&¶m2=11这种，应该理解下来就是和前面说的协议+ 主机+ 端口+ 参数差不多了。
json介绍：json是一个简介的数据交换协议，只有一个版本，永远不会修改了，和xml比起来轻量很多，只有两个数据格式map，list。其他可以参看（json.org）(写这段chrome崩溃了3次，我也崩溃了。。。)然后就是loads才是解析string的，load是解析file的。
代码附上：
import jsonimport urlliburl = raw_input(‘Enter location:‘)print ‘Retrieving‘, urluh = urllib.urlopen(url)data = uh.read()print ‘Retrieved‘, len(data)info = json.loads(data)print ‘Count:‘, len(info[‘comments‘])sum = 0for comment in info[‘comments‘]: sum += int(comment[‘count‘])print ‘Sum: ‘, sum
api获取然后解析json的：
import urllibimport jsonserviceurl = ‘http://python-data.dr-chuck.net/geojson?‘while True: address = raw_input(‘Enter location:‘) if len(address) < 1 : break url = serviceurl + urllib.urlencode({‘sensor‘: ‘false‘, ‘address‘: address}) print ‘Retrieving ‘, url uh = urllib.urlopen(url) data = uh.read() print ‘Retrieved‘,len(data),‘characters‘ try: js = json.loads(str(data)) except: js = None if ‘status‘ not in js or js[‘status‘] != ‘OK‘: print ‘==== Failure To Retrieve ====‘ print data continue print json.dumps(js, indent=4) print ‘place_id:‘, js[‘results‘][0][‘place_id‘]
使用python访问网络上的数据