Python3网络爬虫实战---22、使用Urllib：解析链接

摘要：上一篇文章网络爬虫实战使用处理异常下一篇文章网络爬虫实战使用分析协议库里还提供了这个模块，它定义了处理的标准接口，例如实现各部分的抽取，合并以及链接转换。上一篇文章网络爬虫实战使用处理异常下一篇文章网络爬虫实战使用分析协议

上一篇文章：Python3网络爬虫实战---21、使用Urllib：处理异常
下一篇文章：Python3网络爬虫实战---23、使用Urllib：分析Robots协议

Urllib 库里还提供了 parse 这个模块，它定义了处理 URL 的标准接口，例如实现 URL 各部分的抽取，合并以及链接转换。它支持如下协议的 URL 处理：file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、shttp、 sip、sips、snews、svn、svn+ssh、telnet、wais，本节我们介绍一下该模块中常用的方法来感受一下它的便捷之处。

urlparse() 方法可以实现 URL 的识别和分段，我们先用一个实例来感受一下：

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment")
print(type(result), result)

在这里我们利用了 urlparse() 方法进行了一个 URL 的解析，首先输出了解析结果的类型，然后将结果也输出出来。

运行结果：

ParseResult(scheme="http", netloc="www.baidu.com", path="/index.html", params="user", query="id=5", fragment="comment")

观察可以看到，返回结果是一个 ParseResult 类型的对象，它包含了六个部分，分别是 scheme、netloc、path、params、query、fragment。

观察一下实例的URL：

http://www.baidu.com/index.html;user?id=5#comment

urlparse() 方法将其拆分成了六部分，大体观察可以发现，解析时有特定的分隔符，比如 :// 前面的就是 scheme，代表协议，第一个 / 前面便是 netloc，即域名，分号 ; 前面是 params，代表参数。

所以可以得出一个标准的链接格式如下：

scheme://netloc/path;parameters?query#fragment

一个标准的 URL 都会符合这个规则，利用 urlparse() 方法我们可以将它解析拆分开来。

除了这种最基本的解析方式，urlopen() 方法还有其他配置吗？接下来看一下它的 API 用法：

urllib.parse.urlparse(urlstring, scheme="", allow_fragments=True)

可以看到它有三个参数：

urlstring，是必填项，即待解析的 URL。

scheme，是默认的协议（比如http、https等），假如这个链接没有带协议信息，会将这个作为默认的协议。

我们用一个实例感受一下：

from urllib.parse import urlparse

result = urlparse("www.baidu.com/index.html;user?id=5#comment", scheme="https")
print(result)

运行结果：

ParseResult(scheme="https", netloc="", path="www.baidu.com/index.html", params="user", query="id=5", fragment="comment")

可以发现，我们提供的 URL 没有包含最前面的 scheme 信息，但是通过指定默认的 scheme 参数，返回的结果是 https。

假设我们带上了 scheme 呢？

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment", scheme="https")

结果如下：

ParseResult(scheme="http", netloc="www.baidu.com", path="/index.html", params="user", query="id=5", fragment="comment")

可见 scheme 参数只有在 URL 中不包含 scheme 信息时才会生效，如果 URL 中有 scheme 信息，那就返回解析出的 scheme。

allow_fragments，即是否忽略 fragment，如果它被设置为 False，fragment 部分就会被忽略，它会被解析为 path、parameters 或者 query 的一部分，fragment 部分为空。

下面我们用一个实例感受一下：

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html;user?id=5#comment", allow_fragments=False)
print(result)

运行结果：

ParseResult(scheme="http", netloc="www.baidu.com", path="/index.html", params="user", query="id=5#comment", fragment="")

假设 URL 中不包含 parameters 和 query 呢？

再来一个实例看下：

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html#comment", allow_fragments=False)
print(result)

运行结果：

ParseResult(scheme="http", netloc="www.baidu.com", path="/index.html#comment", params="", query="", fragment="")

可以发现当 URL 中不包含 params 和 query 时， fragment 便会被解析为 path 的一部分。

返回结果 ParseResult 实际上是一个元组，我们可以用索引顺序来获取，也可以用属性名称获取，实例如下：

from urllib.parse import urlparse

result = urlparse("http://www.baidu.com/index.html#comment", allow_fragments=False)
print(result.scheme, result[0], result.netloc, result[1], sep="
")

在这里我们分别用索引和属性名获取了 scheme 和 netloc，运行结果如下：

http
http
www.baidu.com
www.baidu.com

可以发现二者结果是一致的，两种方法都可以成功获取。

有了 urlparse() 那相应地就有了它的对立方法 urlunparse()。

它接受的参数是一个可迭代对象，但是它的长度必须是 6，否则会抛出参数数量不足或者过多的问题。

先用一个实例感受一下：

from urllib.parse import urlunparse

data = ["http", "www.baidu.com", "index.html", "user", "a=6", "comment"]
print(urlunparse(data))

参数 data 用了列表类型，当然你也可以用其他的类型如元组或者特定的数据结构。

运行结果如下：

http://www.baidu.com/index.html;user?a=6#comment

这样我们就成功实现了 URL 的构造。

这个和 urlparse() 方法非常相似，只不过它不会多带带解析 parameters 这一部分，只返回五个结果。上面例子中的 parameters 会合并到 path中，用一个实例感受一下：

from urllib.parse import urlsplit

result = urlsplit("http://www.baidu.com/index.html;user?id=5#comment")
print(result)

运行结果：

SplitResult(scheme="http", netloc="www.baidu.com", path="/index.html;user", query="id=5", fragment="comment")

可以发现返回结果是 SplitResult，其实也是一个元组类型，可以用属性获取值也可以用索引来获取，实例如下：

from urllib.parse import urlsplit

result = urlsplit("http://www.baidu.com/index.html;user?id=5#comment")
print(result.scheme, result[0])

运行结果：

http http

与 urlunparse() 类似，也是将链接的各个部分组合成完整链接的方法，传入的也是一个可迭代对象，例如列表、元组等等，唯一的区别是，长度必须为 5。

用一个实例来感受一下：

from urllib.parse import urlunsplit

data = ["http", "www.baidu.com", "index.html", "a=6", "comment"]
print(urlunsplit(data))

运行结果：

http://www.baidu.com/index.html?a=6#comment

同样可以完成链接的拼接生成。

有了 urlunparse() 和 urlunsplit() 方法，我们可以完成链接的合并，不过前提必须要有特定长度的对象，链接的每一部分都要清晰分开。

生成链接还有另一个方法，利用 urljoin() 方法我们可以提供一个 base_url（基础链接），新的链接作为第二个参数，方法会分析 base_url 的 scheme、netloc、path 这三个内容对新链接缺失的部分进行补充，作为结果返回。

我们用几个实例来感受一下：

from urllib.parse import urljoin

print(urljoin("http://www.baidu.com", "FAQ.html"))
print(urljoin("http://www.baidu.com", "https://cuiqingcai.com/FAQ.html"))
print(urljoin("http://www.baidu.com/about.html", "https://cuiqingcai.com/FAQ.html"))
print(urljoin("http://www.baidu.com/about.html", "https://cuiqingcai.com/FAQ.html?question=2"))
print(urljoin("http://www.baidu.com?wd=abc", "https://cuiqingcai.com/index.php"))
print(urljoin("http://www.baidu.com", "?category=2#comment"))
print(urljoin("www.baidu.com", "?category=2#comment"))
print(urljoin("www.baidu.com#comment", "?category=2"))

运行结果：

http://www.baidu.com/FAQ.html
https://cuiqingcai.com/FAQ.html
https://cuiqingcai.com/FAQ.html
https://cuiqingcai.com/FAQ.html?question=2
https://cuiqingcai.com/index.php
http://www.baidu.com?category=2#comment
www.baidu.com?category=2#comment
www.baidu.com?category=2

可以发现，base_url 提供了三项内容，scheme、netloc、path，如果这三项在新的链接里面不存在，那么就予以补充，如果新的链接存在，那么就使用新的链接的部分。base_url 中的 parameters、query、fragments 是不起作用的。

通过如上的函数，我们可以轻松地实现链接的解析，拼合与生成。

我们再介绍一个常用的 urlencode() 方法，它在构造 GET 请求参数的时候非常有用，我们用实例感受一下：

from urllib.parse import urlencode

params = {
    "name": "germey",
    "age": 22
}
base_url = "http://www.baidu.com?"
url = base_url + urlencode(params)
print(url)

我们首先声明了一个字典，将参数表示出来，然后调用 urlencode() 方法将其序列化为 URL 标准 GET 请求参数。

运行结果：

http://www.baidu.com?name=germey&age=22

可以看到参数就成功由字典类型转化为 GET 请求参数了。

这个方法非常常用，有时为了更加方便地构造参数，我们会事先用字典来表示，要转化为 URL 的参数时只需要调用该方法即可。

有了序列化必然就有反序列化，如果我们有一串 GET 请求参数，我们利用 parse_qs() 方法就可以将它转回字典，我们用一个实例感受一下：

from urllib.parse import parse_qs

query = "name=germey&age=22"
print(parse_qs(query))

运行结果：

{"name": ["germey"], "age": ["22"]}

可以看到这样就成功转回为字典类型了。

另外还有一个 parse_qsl() 方法可以将参数转化为元组组成的列表，实例如下：

from urllib.parse import parse_qsl

query = "name=germey&age=22"
print(parse_qsl(query))

运行结果：

[("name", "germey"), ("age", "22")]

可以看到运行结果是一个列表，列表的每一个元素都是一个元组，元组的第一个内容是参数名，第二个内容是参数值。

quote() 方法可以将内容转化为 URL 编码的格式，有时候 URL 中带有中文参数的时候可能导致乱码的问题，所以我们可以用这个方法将中文字符转化为 URL 编码，实例如下：

from urllib.parse import quote

keyword = "壁纸"
url = "https://www.baidu.com/s?wd=" + quote(keyword)
print(url

在这里我们声明了一个中文的搜索文字，然后用 quote() 方法对其进行 URL 编码，最后得到的结果如下：

https://www.baidu.com/s?wd=%E...

这样我们就可以成功实现URL编码的转换。

有了 quote() 方法当然还有 unquote() 方法，它可以进行 URL 解码，实例如下：

from urllib.parse import unquote

url = "https://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8"
print(unquote(url))

这是上面得到的 URL 编码后的结果，我们在这里利用 unquote() 方法进行还原，结果如下：

https://www.baidu.com/s?wd=壁纸

可以看到利用 unquote() 方法可以方便地实现解码。

本节介绍了 parse 模块的一些常用 URL 处理方法，有了这些方法我们可以方便地实现 URL 的解析和构造，建议熟练掌握。

上一篇文章：Python3网络爬虫实战---21、使用Urllib：处理异常
下一篇文章：Python3网络爬虫实战---23、使用Urllib：分析Robots协议