pythonurlib
可以的。
urlib.geturl()函數就可以返回打開的真實地址。
㈡ 如何給mac 上2.7.10的python添加requests模塊
直接找到requests的源碼， 展開後， 執行python setup.py install就可以安裝上requests。
requests需要一個依賴的包， 所以安裝時， 要保證計算機是可以聯網的。 requests據說是給人用的http工具包。 不過，老實說， 用了這么久， 真沒有感覺它有什麼方便之處。 很麻煩。 不如urlib或者是urllib2更簡單。 不過requests已經支持https了。
如果學習爬行建議你使用scrapy。 這個安裝比較困難， 不過功能強大。
㈢ 為什麼說Python是大數據全棧式開發語言
就像只要會JavaScript就可以寫出完整的Web應用，只要會Python，就可以實現一個完整的大數據處理平台。x0dx0ax0dx0a雲基礎設施x0dx0ax0dx0a這年頭，不支持雲平台，不支持海量數據，不支持動態伸縮，根本不敢說自己是做大數據的，頂多也就敢跟人說是做商業智能（BI）。x0dx0ax0dx0a雲平台分為私有雲和公有雲。私有雲平台如日中天的 OpenStackx0dx0a x0dx0a，就是Python寫的。曾經的追趕者CloudStack，在剛推出時大肆強調自己是Java寫的，比Python有優勢。結果，搬石砸腳，2015年x0dx0a初，CloudStack的發起人Citrix宣布加入OpenStack基金會，CloudStack眼看著就要壽終正寢。x0dx0ax0dx0a如果嫌麻煩不想自己搭建私有雲，用公有雲，不論是AWS，GCE，Azure，還是阿里雲，青雲，在都提供了Python SDK，其中GCE只提供Python和JavaScript的SDK，而青雲只提供Python SDK。可見各家雲平台對Python的重視。x0dx0ax0dx0a提到基礎設施搭建，不得不提Hadoop，在今天，Hadoop因為其MapRece數據處理速度不夠快，已經不再作為大數據處理的首選，但x0dx0a是HDFS和Yarn——Hadoop的兩個組件——倒是越來越受歡迎。Hadoop的開發語言是Java，沒有官方提供Python支持，不過有很多第x0dx0a三方庫封裝了Hadoop的API介面（pydoop，hadoopy等等）。x0dx0ax0dx0aHadoop MapRece的替代者，是號稱快上100倍的 Spark ，其開發語言是Scala，但是提供了Scala，Java，Python的開發介面，想要討好那麼多用Python開發的數據科學家，不支持Python，真是說不過去。HDFS的替代品，比如GlusterFS， Ceph 等，都是直接提供Python支持。Yarn的替代者， Mesos 是C++實現，除C++外，提供了Java和Python的支持包。有個中文名字，叫做 開發自運維 。互聯網時代，只有能夠快速試驗新想法，並在第一時間，安全、可靠的交付業務價值，才能保持競爭力。DevOps推崇的自動化構建/測試/部署，以及系統度量等技術實踐，是互聯網時代必不可少的。x0dx0ax0dx0a自動化構建是因應用而易的，如果是Python應用，因為有setuptools, pip, virtualenv, tox, x0dx0aflake8等工具的存在，自動化構建非常簡單。而且，因為幾乎所有Linux系統都內置Python解釋器，所以用Python做自動化，不需要系統預x0dx0a安裝什麼軟體。x0dx0ax0dx0a自動化測試方面，基於Python的 Robot Framework 企業級應用最喜歡的自動化測試框架，而且和語言無關。Cucumber也有很多支持者，Python對應的Lettuce可以做到完全一樣的事情。 Locust 在自動化性能測試方面也開始受到越來越多的關注。x0dx0ax0dx0a自動化配置管理工具，老牌的如Chef和Puppet，是Ruby開發，目前仍保持著強勁的勢頭。不過，新生代 Ansible 和 SaltStack ——均為Python開發——因為較前兩者設計更為輕量化，受到越來越多開發這的歡迎，已經開始給前輩們製造了不少的壓力。x0dx0ax0dx0a在系統監控與度量方面，傳統的Nagios逐漸沒落，新貴如 Sensu 大受好評，雲服務形式的New Relic已經成為創業公司的標配，這些都不是直接通過Python實現的，不過Python要接入這些工具，並不困難。x0dx0ax0dx0a除了上述這些工具，基於Python，提供完整DevOps功能的PaaS平台，如 Cloudify 和 Deis ，雖未成氣候，但已經得到大量關注。x0dx0ax0dx0a網路爬蟲x0dx0ax0dx0a大數據的數據從哪裡來？除了部分企業有能力自己產生大量的數據，大部分時候，是需要靠爬蟲來抓取互聯網數據來做分析。x0dx0ax0dx0a網路爬蟲是Python的傳統強勢領域，最流行的爬蟲框架Scrapy，HTTP工具包urlib2，HTML解析工具beautifulsoup，XML解析器lxml，等等，都是能夠獨當一面的類庫。x0dx0ax0dx0a不過，網路爬蟲並不僅僅是打開網頁，解析HTML這么簡單。高效的爬蟲要能夠支持大量靈活的並發操作，常常要能夠同時幾千甚至上萬個網頁同時抓取，傳統的x0dx0a線程池方式資源浪費比較大，線程數上千之後系統資源基本上就全浪費在線程調度上了。Python由於能夠很好的支持協程（ Coroutine ）操作，基於此發展起來很多並發庫，如Gevent，Eventlet，還有Celery之類的分布式任務框架。被認為是比AMQP更高效的ZeroMQ也是最早就提供了Python版本。有了對高並發的支持，網路爬蟲才真正可以達到大數據規模。x0dx0ax0dx0a抓取下來的數據，需要做分詞處理，Python在這方面也不遜色，著名的自然語言處理程序包NLTK，還有專門做中文分詞的Jieba，都是做分詞的利器。x0dx0ax0dx0a數據處理x0dx0ax0dx0a萬事俱備，只欠東風。這東風，就是數據處理演算法。從統計理論，到數據挖掘，機器學習，再到最近幾年提出來的深度學習理論，數據科學正處於百花齊放的時代。數據科學家們都用什麼編程？x0dx0ax0dx0a如果是在理論研究領域，R語言也許是最受數據科學家歡迎的，但是R語言的問題也很明顯，因為是統計學家們創建了R語言，所以其語法略顯怪異。而且x0dx0aR語言要想實現大規模分布式系統，還需要很長一段時間的工程之路要走。所以很多公司使用R語言做原型試驗，演算法確定之後，再翻譯成工程語言。x0dx0ax0dx0aPython也是數據科學家最喜歡的語言之一。和R語言不同，Python本身就是一門工程性語言，數據科學家用Python實現的演算法，可以直x0dx0a接用在產品中，這對於大數據初創公司節省成本是非常有幫助的。正式因為數據科學家對Python和R的熱愛，Spark為了討好數據科學家，對這兩種語言x0dx0a提供了非常好的支持。x0dx0ax0dx0aPython的數據處理相關類庫非常多。高性能的科學計算類庫NumPy和SciPy，給其他高級演算法打了非常好的基礎，matploglib讓x0dx0aPython畫圖變得像Matlab一樣簡單。Scikit-learn和Milk實現了很多機器學習演算法，基於這兩個庫實現的 Pylearn2 ，是深度學習領域的重要成員。 Theano 利用GPU加速，實現了高性能數學符號計算和多維矩陣計算。當然，還有 Pandas ，一個在工程領域已經廣泛使用的大數據處理類庫，其DataFrame的設計借鑒自R語言，後來又啟發了Spark項目實現了類似機制。x0dx0ax0dx0a對了，還有 iPython ，這個工具如此有用，以至於我差點把他當成標准庫而忘了介紹。iPython是一個互動式Python運行環境，能夠實時看到每一段Python代碼的結果。默認情況下，iPython運行在命令行，可以執行 ipython notebook 在網頁中運行。用matplotlib繪制的圖可以直接嵌入式的顯示在iPython Notebook中。x0dx0a x0dx0aiPython Notebook的筆記本文件可以共享給其他人，這樣其他人就可以在自己的環境中重現你的工作成果；如果對方沒有運行環境，還可以直接轉換成HTML或者PDF。x0dx0ax0dx0a為什麼是Pythonx0dx0ax0dx0a正是因為應用開發工程師、運維工程師、數據科學家都喜歡Python，才使得Python成為大數據系統的全棧式開發語言。x0dx0ax0dx0a對於開發工程師而言，Python的優雅和簡潔無疑是最大的吸引力，在Python互動式環境中，執行 import thisx0dx0a x0dx0a，讀一讀Python之禪，你就明白Python為什麼如此吸引人。Python社區一直非常有活力，和NodeJS社區軟體包爆炸式增長不x0dx0a同，Python的軟體包增長速度一直比較穩定，同時軟體包的質量也相對較高。有很多人詬病Python對於空格的要求過於苛刻，但正是因為這個要求，才x0dx0a使得Python在做大型項目時比其他語言有優勢。OpenStack項目總共超過200萬行代碼，證明了這一點。x0dx0ax0dx0a對於運維工程師而言，Python的最大優勢在於，幾乎所有Linux發行版都內置了Python解釋器。Shell雖然功能強大，但畢竟語法不夠優雅，寫比較復雜的任務會很痛苦。用Python替代Shell，做一些復雜的任務，對運維人員來說，是一次解放。x0dx0ax0dx0a對於數據科學家而言，Python簡單又不失強大。和C/C++相比，不用做很多的底層工作，可以快速進行模型驗證；和Java相比，Python語法簡x0dx0a潔，表達能力強，同樣的工作只需要1/3代碼；和Matlab，Octave相比，Python的工程成熟度更高。不止一個編程大牛表達過，Pythonx0dx0a是最適合作為大學計算機科學編程課程使用的語言——MIT的計算機入門課程就是使用的Python——因為Python能夠讓人學到編程最重要的東西——x0dx0a如何解決問題。
㈣ ue5python原理
Python先把代碼（.py文件）編譯成位元組碼，交給位元組碼虛擬機，然後解釋器一條一條執行位元組碼指令，從而完成程序的執行。
1.1python先把代碼(.py文件)編譯成位元組碼，交給位元組碼虛擬機，然後解釋器會從編譯得到的PyCodeObject對象中一條一條執行位元組碼指令，
並在當前的上下文環境中執行這條位元組碼指令，從而完成程序的執行。Python解釋器實際上是在模擬操作中執行文件的過程。PyCodeObject對象
中包含了位元組碼指令以及程序的所有靜態信息，但沒有包含程序運行時的動態信息——執行環境（PyFrameObject)
2. 位元組碼
位元組碼在python解釋器程序里對應的是PyCodeObject對象
.pyc文件是位元組碼在磁碟上的表現形式
2.1從整體上看：OS中執行程序離不開兩個概念：進程和線程。python中模擬了這兩個概念，模擬進程和線程的分別是PyInterpreterState和
PyTreadState。即：每個PyThreadState都對應著一個幀棧，python解釋器在多個線程上切換。當python解釋器開始執行時，它會先進行一
些初始化操作，最後進入PyEval_EvalFramEx函數，它的作用是不斷讀取編譯好的位元組碼，並一條一條執行，類似CPU執行指令的過程。函數內部
主要是一個switch結構，根據位元組碼的不同執行不同的代碼。
3. .pyc文件
PyCodeObject對象的創建時機是模塊載入的時候，及import
Python test.py會對test.py進行編譯成位元組碼並解釋執行，但是不會生成test.pyc
如果test.py載入了其他模塊，如import urlib2, Python會對urlib2.py進行編譯成位元組碼，生成urlib2.pyc,然後對位元組碼進行解釋
如果想生成test.pyc，我們可以使用Python內置模塊py_compile來編譯。
載入模塊時，如果同時存在.py和pyc,Python會嘗試使用.pyc，如果.pyc的編譯時間早於.py的修改時間，則重新編譯.py並更新.pyc。
4. PyCodeObject
Python代碼的編譯結果就是PyCodeObject對象
typedef struct {
PyObject_HEAD
int co_argcount; /* 位置參數個數 */
int co_nlocals; /* 局部變數個數 */
int co_stacksize; /* 棧大小 */
int co_flags;
PyObject *co_code; /* 位元組碼指令序列 */
PyObject *co_consts; /* 所有常量集合 */
PyObject *co_names; /* 所有符號名稱集合 */
PyObject *co_varnames; /* 局部變數名稱集合 */
PyObject *co_freevars; /* 閉包用的的變數名集合 */
PyObject *co_cellvars; /* 內部嵌套函數引用的變數名集合 */
/* The rest doesn』t count for hash/cmp */
PyObject *co_filename; /* 代碼所在文件名 */
PyObject *co_name; /* 模塊名|函數名|類名 */
int co_firstlineno; /* 代碼塊在文件中的起始行號 */
PyObject *co_lnotab; /* 位元組碼指令和行號的對應關系 */
void *co_zombieframe; /* for optimization only (see frameobject.c) */
} PyCodeObject;
5. .pyc文件格式
載入模塊時，模塊對應的PyCodeObject對象被寫入.pyc文件
6.分析位元組碼
6.1解析PyCodeObject
Python提供了內置函數compile可以編譯python代碼和查看PyCodeObject對象
6.2指令序列co_code的格式
opcode oparg opcode opcode oparg …
1 byte 2 bytes 1 byte 1 byte 2 bytes
Python內置的dis模塊可以解析co_code
7. 執行位元組碼
Python解釋器的原理就是模擬可執行程序再X86機器上的運行，X86的運行時棧幀如下圖
Python解釋器的原理就是模擬上述行為。當發生函數調用時，創建新的棧幀，對應Python的實現就是PyFrameObject對象。
PyFrameObject對象創建程序運行時的動態信息，即執行環境
7.1 PyFrameObject
typedef struct _frame{
PyObject_VAR_HEAD //"運行時棧"的大小是不確定的
struct _frame *f_back; //執行環境鏈上的前一個frame，很多個PyFrameObject連接起來形成執行環境鏈表
PyCodeObject *f_code; //PyCodeObject 對象，這個frame就是這個PyCodeObject對象的上下文環境
PyObject *f_builtins; //builtin名字空間
PyObject *f_globals; //global名字空間
PyObject *f_locals; //local名字空間
PyObject **f_valuestack; //"運行時棧"的棧底位置
PyObject **f_stacktop; //"運行時棧"的棧頂位置
//...
int f_lasti; //上一條位元組碼指令在f_code中的偏移位置
int f_lineno; //當前位元組碼對應的源代碼行
//...
//動態內存，維護(局部變數+cell對象集合+free對象集合+運行時棧)所需要的空間
PyObject *f_localsplus[1];
} PyFrameObject;
每一個 PyFrameObject對象都維護了一個 PyCodeObject對象，這表明每一個 PyFrameObject中的動態內存空間對象都和源代碼中的一段Code相對應。