Python - URL 处理

上一页
下一页

在 Internet 世界中，不同的资源由 URL（统一资源定位器）标识。Python 的标准库包括 urllib 包，其中包含用于处理 URL 的模块。它可以帮助您解析 URL、获取 Web 内容和管理错误。

本教程介绍了 urllib 基础知识，以帮助您开始使用它。使用 urllib 提高您使用 Python 进行网络抓取、获取数据和管理 URL 的技能。

urllib 包包含以下用于处理 URL 的模块 -

  • urllib.parse 模块用于将 URL 解析为其部分。
  • urllib.request 模块包含用于打开和读取 URL 的函数
  • urllib.error 模块携带 urllib.request 引发的异常的定义
  • urllib.robotparser 模块解析 robots.txt 文件

urllib.parse 模块

此模块用作从 URL 字符串中获取各个部分的标准接口。该模块包含以下功能 -

urlparse（urlstring）

将 URL 解析为 6 个组件，返回一个包含 6 项的命名元组。每个元组项都是对应于以下属性的字符串 -

属笥 Index 值
scheme 0 URL 方案说明符
netloc 1 网络位置部分
path 2 分层路径
params 3 last path 元素的参数
query 4 Query 组件
fragment 5 片段标识符
username   用户名
password   密码
hostname   主机名（小写）
Port   端口号为整数（如果存在）

例


from urllib.parse import urlparse
url = "https://example.com/employees/name/?salary>=25000"
parsed_url = urlparse(url)
print (type(parsed_url))
print ("Scheme:",parsed_url.scheme)
print ("netloc:", parsed_url.netloc)
print ("path:", parsed_url.path)
print ("params:", parsed_url.params)
print ("Query string:", parsed_url.query)
print ("Frgment:", parsed_url.fragment)

它将产生以下输出 -

<class 'urllib.parse.ParseResult'>
Scheme: https
netloc: example.com
path: /employees/name/
params:
Query string: salary>=25000
Frgment:

parse_qs（QS））

此函数解析作为字符串参数给出的查询字符串。数据以字典形式返回。字典键是唯一的查询变量名称，值是每个名称的值列表。

要进一步将查询参数从查询字符串提取到字典中，请使用 ParseResult 对象的 query 属性的 parse_qs（） 函数，如下所示 -

例


from urllib.parse import urlparse, parse_qs
url = "https://example.com/employees?name=Anand&salary=25000"
parsed_url = urlparse(url)
dct = parse_qs(parsed_url.query)
print ("Query parameters:", dct)

它将产生以下输出 -

Query parameters: {'name': ['Anand'], 'salary': ['25000']}

urlsplit（urlstring）

这类似于 urlparse（），但不会从 URL 中拆分参数。如果需要允许将参数应用于 URL 路径部分的每个段的更新的 URL 语法，则通常应该使用它而不是 urlparse（）。

urlunparse(parts)

此函数与 urlparse（） 函数相反。它从 urlparse（） 返回的元组构造一个 URL。parts 参数可以是任何六项可迭代对象。这将返回等效的 URL。

例


from urllib.parse import urlunparse

lst = ['https', 'example.com', '/employees/name/', '', 'salary>=25000', '']
new_url = urlunparse(lst)
print ("URL:", new_url)

它将产生以下输出 -

URL: https://example.com/employees/name/?salary>=25000

urlunsplit(parts)

将 urlsplit（） 返回的元组元素合并为一个完整的 URL，作为字符串。parts 参数可以是任何五项可迭代对象。

urllib.request 模块

该模块提供了使用 urlopen（） 函数处理 URL 的打开和读取操作的函数和类。

urlopen（） 函数

此函数将打开给定的 URL，该 URL 可以是字符串或 Request 对象。可选的 timeout 参数指定阻止操作的超时（以秒为单位）这实际上仅适用于 HTTP、HTTPS 和 FTP 连接。

此函数始终返回一个对象，该对象可以用作上下文管理器，并且具有属性 url、headers 和 status。对于 HTTP 和 HTTPS URL，此函数返回略微修改的 http.client.HTTPResponse 对象。

例

下面的代码使用 urlopen（） 函数从图像文件中读取二进制数据，并将其写入本地文件。您可以使用任何图像查看器在计算机上打开图像文件。


from urllib.request import urlopen
obj = urlopen("https://www.qikepu.com/images/logo.png")
data = obj.read()
img = open("img.jpg", "wb")
img.write(data)
img.close()

它将产生以下输出 -

urllib_request

请求对象

urllib.request 模块包括 Request 类。此类是 URL 请求的抽象。构造函数需要一个必需的字符串参数，一个有效的 URL。

语法


urllib.request.Request(url, data, headers, origin_req_host, method=None)

参数

  • url - 作为有效 URL 的字符串
  • data - 指定要发送到服务器的其他数据的对象。此参数只能用于 HTTP 请求。数据可以是字节、类文件对象和类字节对象的可迭代对象。
  • headers − 应该是 headers 及其关联值的字典。
  • origin_req_host − 应该是原始事务的请求主机
  • method − 应为指示 HTTP 请求方法的字符串。GET、POST、PUT、DELETE 和其他 HTTP 动词之一。默认值为 GET。

例


from urllib.request import Request
obj = Request("https://www.qikepu.com/")

此 Request 对象现在可以用作 urlopen（） 方法的参数。


from urllib.request import Request, urlopen
obj = Request("https://www.qikepu.com/")
resp = urlopen(obj)

urlopen（） 函数返回一个 HttpResponse 对象。调用其 read（） 方法将获取给定 URL 中的资源。


from urllib.request import Request, urlopen
obj = Request("https://www.qikepu.com/")
resp = urlopen(obj)
data = resp.read()
print (data)

发送数据

如果为 Request 构造函数定义 data 参数，则会向服务器发送 POST 请求。数据应为以字节表示的任何对象。


from urllib.request import Request, urlopen
from urllib.parse import urlencode

values = {'name': 'Madhu',
	 	'location': 'India',
	 	'language': 'Hindi' }
data = urlencode(values).encode('utf-8')
obj = Request("https://example.com", data)

发送header

Request 构造函数还接受 header 参数，以将 header 信息推送到请求中。它应该位于 dictionary 对象中。


headers = {'User-Agent': user_agent}
obj = Request("https://example.com", data, headers)

urllib.error 模块

以下异常在 urllib.error 模块中定义 -

URLError

引发 URLError 是因为没有网络连接（没有到指定服务器的路由），或者指定的服务器不存在。在这种情况下，引发的异常将具有 'reason' 属性。

例


from urllib.request import Request, urlopen
import urllib.error as err

obj = Request("http://www.nosuchserver.com")
try:
	 	urlopen(obj)
except err.URLError as e:
	 	print(e)

它将产生以下输出 -

HTTP Error 403: Forbidden

HTTPError

每次服务器发送 HTTP 响应时，它都会与一个数字 “状态代码” 相关联。它的代码指示服务器无法满足请求的原因。默认处理程序将为您处理其中一些响应。对于那些它无法处理的，urlopen（） 函数会引发一个 HTTPError。HTTPError 的典型示例是 '404' （找不到页面）、'403' （请求被禁止） 和 '401' （需要身份验证）。

例


from urllib.request import Request, urlopen
import urllib.error as err

obj = Request("http://www.python.org/fish.html")
try:
	 	urlopen(obj)
except err.HTTPError as e:
	 	print(e.code)

它将产生以下输出 -

404
打印本页
上一页
下一页