python

当前位置:中华考试网 >> python >> python爬虫 >> 文章内容

Python3爬虫入门:解析链接

来源:中华考试网  [2020年12月3日]  【

  ,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、 sip、sips、snews、svn、svn+ssh、telnet和wais。本节中,我们介绍一下该模块中常用的方法来看一下它的便捷之处。

  1. urlparse()

  该方法可以实现URL的识别和分段,这里先用一个实例来看一下:

  from urllib.parse import urlparse

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

  print(type(result), result)

  这里我们利用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。

  运行结果如下:

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

  fragment='comment')

  可以看到,返回结果是一个ParseResult类型的对象,它包含6部分,分别是scheme、netloc、path、params、query和fragment。

  观察一下该实例的URL:

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

  可以发现,urlparse()方法将其拆分成了6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,具体如下:

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

  一个标准的URL都会符合这个规则,利用urlparse()方法可以将它拆分开来。

  除了这种最基本的解析方式外,urlparse()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3个参数。

  urlstring:这是必填项,即待解析的URL。

  scheme:它是默认的协议(比如http或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。我们用实例来看一下:

  from urllib.parse import urlparse

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

  print(result)

  运行结果如下:

  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:

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

  则结果如下:

  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信息时才生效。如果URL中有scheme信息,就会返回解析出的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,而fragment部分为空。下面我们用实例来看一下:

  from urllib.parse import urlparse

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

  print(result)

  运行结果如下:

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

  fragment='')

  假设URL中不包含params和query,我们再通过实例看一下:

  from urllib.parse import urlparse

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

  print(result)

  运行结果如下:

  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,也可以用属性名获取。示例如下:

  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='\n')

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

  http

  http

  www.baidu.com

  www.baidu.com

  可以发现,二者的结果是一致的,两种方法都可以成功获取。

  2. urlunparse()

  有了urlparse(),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。先用一个实例看一下:

  from urllib.parse import urlunparse

  data = ['http', 'www.baidu.com', 'index.html', 'user', 'a=6', 'comment']

  print(urlunparse(data))

  这里参数data用了列表类型。当然,你也可以用其他类型,比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。

  3. urlsplit()

  这个方法和urlparse()方法非常相似,只不过它不再单独解析params这一部分,只返回5个结果。上面例子中的params会合并到path中。示例如下:

  from urllib.parse import urlsplit

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

  print(result)

  运行结果如下:

  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,它其实也是一个元组类型,既可以用属性获取值,也可以用索引来获取。示例如下:

  from urllib.parse import urlsplit

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

  print(result.scheme, result[0])

  运行结果如下:

  http http

  4. urlunsplit()

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

  from urllib.parse import urlunsplit

  data = ['http', 'www.baidu.com', 'index.html', 'a=6', 'comment']

  print(urlunsplit(data))

  运行结果如下:

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

  5. urljoin()

  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。

  此外,生成链接还有另一个方法,那就是urljoin()方法。我们可以提供一个base_url(基础链接)作为第一个参数,将新的链接作为第二个参数,该方法会分析base_url的scheme、netloc和path这3个内容并对新链接缺失的部分进行补充,最后返回结果。

  下面通过几个实例看一下:

  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'))

  运行结果如下:

  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和path。如果这3项在新的链接里不存在,就予以补充;如果新的链接存在,就使用新的链接的部分。而base_url中的params、query和fragment是不起作用的。

  通过urljoin()方法,我们可以轻 松实现链接的解析、拼合与生成。

  6. urlencode()

  这里我们再介绍一个常用的方法——urlencode(),它在构造GET请求参数的时候非常有用,示例如下:

  from urllib.parse import urlencode

  params = {

  'name': 'germey',

  'age': 22

  }

  base_url = 'http://www.baidu.com?'

  url = base_url + urlencode(params)

  print(url)

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

  运行结果如下:

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

  可以看到,参数就成功地由字典类型转化为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。

  7. parse_qs()

  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,利用parse_qs()方法,就可以将它转回字典,示例如下:

  from urllib.parse import parse_qs

  query = 'name=germey&age=22'

  print(parse_qs(query))

  运行结果如下:

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

  可以看到,这样就成功转回为字典类型了。

  8. parse_qsl()

  另外,还有一个parse_qsl()方法,它用于将参数转化为元组组成的列表,示例如下:

  from urllib.parse import parse_qsl

  query = 'name=germey&age=22'

  print(parse_qsl(query))

  运行结果如下:

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

  可以看到,运行结果是一个列表,而列表中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。

  9. quote()

  该方法可以将内容转化为URL编码的格式。URL中带有中文参数时,有时可能会导致乱码的问题,此时用这个方法可以将中文字符转化为URL编码,示例如下:

  from urllib.parse import quote

  keyword = '壁纸'

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

  print(url)

  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=壁纸

  10. unquote()

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

  from urllib.parse import unquote

  url = 'https://www.baidu.com/s?wd=壁纸'

  print(unquote(url))

  这是上面得到的URL编码后的结果,这里利用unquote()方法还原,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。

  如今python编程语言市场需求大,薪资待遇上万尽在咫尺!如果你也想学习python技术可以填写下面表单,Python学习资料限时免费领取!

责编:fushihao
  • 会计考试
  • 建筑工程
  • 职业资格
  • 医药考试
  • 外语考试
  • 学历考试