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 re

def 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 sum

filedir = 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 socket

mysock = 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 urllib
from BeautifulSoup import *

url = raw_input(‘Enter - ‘)
html = urllib.urlopen(url).read()

soup = BeautifulSoup(html)

sum = 0
trs = soup(‘tr‘)
for tr in trs:
        if tr.span is not None:
                num = int(tr.span.contents[0])
                sum += num
print 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 urllib
import xml.etree.ElementTree as ET

url = raw_input("Enter location:")
print ‘Retrieving‘, url
uh = urllib.urlopen(url)
data = uh.read()
print ‘\nRetrieved ‘, len(data), ‘ characters‘
tree = ET.fromstring(data)

comments = tree.findall(‘.//comment‘)
sum = 0
count = len(comments)
print ‘Count:‘, count
for 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&&param2=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 json
import urllib

url = raw_input(‘Enter location:‘)
print ‘Retrieving‘, url
uh = urllib.urlopen(url)
data = uh.read()
print ‘Retrieved‘, len(data)
info = json.loads(data)
print ‘Count:‘, len(info[‘comments‘])
sum = 0
for comment in info[‘comments‘]:
        sum += int(comment[‘count‘])
print ‘Sum: ‘, sum

api获取然后解析json的：

import urllib
import json

serviceurl = ‘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‘]