Digamos que quiere descargar un recurso mediante HTTP, tal como un feed sindicado Atom. Pero no sólo queremos descargarlo una vez; queremos descargarlo una y otra vez, cada hora, para obtener las últimas noticias de un sitio que nos ofrece noticias sindicadas. Hagámoslo primero a la manera sucia y rápida, y luego veremos cómo hacerlo mejor.
Ejemplo 11.2. Descarga de una sindicación a la manera rápida y fea
>>> import urllib >>> data = urllib.urlopen('http://diveintomark.org/xml/atom.xml').read()>>> print data <?xml version="1.0" encoding="iso-8859-1"?> <feed version="0.3" xmlns="http://purl.org/atom/ns#" xmlns:dc="http://purl.org/dc/elements/1.1/" xml:lang="en"> <title mode="escaped">dive into mark</title> <link rel="alternate" type="text/html" href="http://diveintomark.org/"/> <-- resto del feed omitido por brevedad -->
|
|
En Python es increíblemente sencillo descargar cualquier cosa mediante HTTP; de hecho, se hace en una línea. El módulo urllib tiene la útil función urlopen que toma la dirección de la página que queremos, y devuelve un objeto de tipo fichero del que podemos simplemente leer con read() para obtener todo el contenido de la página. No puede ser más fácil. |
¿Qué hay de malo en esto? Bien, para una prueba rápida o durante el desarrollo no hay nada de malo. Lo hago a menudo. Quería el contenido de del feed y obtuve el contenido del feed. La misma técnica funciona con cualquier página web. Pero una vez empezamos a pensar en términos de servicios web a los que queremos acceder con regularidad (y recuerde, dijimos que planeamos hacer esto cada hora) estamos siendo ineficientes, y rudos.
Hablemos un poco sobre las características básicas de HTTP.