Python URL处理
在互联网世界中,不同的资源通过URL(统一资源定位符)进行标识。Python的标准库中捆绑了urllib包,提供了一些处理URL的实用工具。它包含以下模块:
- urllib.parse 模块用于将URL解析为其各个部分。
-
urllib.request 模块包含了打开和读取URL的函数。
-
urllib.error 模块包含了urllib.request引发的异常的定义。
-
urllib.robotparser 模块解析robots.txt文件。
urllib.parse 模块
此模块作为从URL字符串获取各部分的标准接口。该模块包含以下函数:
urlparse(urlstring)
将URL解析为六个组成部分,返回一个包含6个项的命名元组。每个元组项都是与以下属性对应的字符串。
属性 | 索引 | 值 |
---|---|---|
scheme | 0 | URL方案指示符 |
netloc | 1 | 网络位置部分 |
path | 2 | 层次路径 |
params | 3 | 最后一个路径元素的参数 |
query | 4 | 查询组件 |
fragment | 5 | 片段标识符 |
username | 用户名 | |
password | 密码 | |
hostname | 主机名(小写) | |
Port | 端口号,如果存在则为整数 |
示例
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。
要将查询字符串中的查询参数进一步提取到字典中,可以使用ParseResult对象的query属性的parse_qs()函数,方法如下 –
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)
这与urlparse()类似,但不会将参数从URL中拆分。如果想要使用较新的URL语法,允许将参数应用于URL的路径部分的每个段,通常应使用此函数。
urlunparse(parts)
此函数与urlparse()相反。它从由urlparse()返回的元组构造一个URL。parts参数可以是任何具有六个项目的可迭代对象。它返回等效的URL。
示例
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)
将由urlsplit()返回的元组的元素组合成一个完整的URL字符串。parts参数可以是任何包含五个项的可迭代对象。
urllib.request模块
此模块定义了帮助打开URL的函数和类。
urlopen()函数
此函数打开给定的URL,可以是字符串或请求对象。可选的timeout参数指定阻塞操作的超时时间(以秒为单位)。此实际上仅适用于HTTP、HTTPS和FTP连接。
此函数始终返回一个可作为上下文管理器使用的对象,并具有url、headers和status属性。
对于HTTP和HTTPS URL,此函数返回稍作修改的http.client.HTTPResponse对象。
示例
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您的计算机上打开图像文件。
from urllib.request import urlopen
obj = urlopen("https://www.tutorialspoint.com/static/images/simply-easy-learning.jpg")
data = obj.read()
img = open("img.jpg", "wb")
img.write(data)
img.close()
它将产生以下 输出 −
请求对象
urllib.request模块包括Request类。这个类是URL请求的抽象。构造函数需要一个必填的字符串参数,表示有效的URL。
语法
urllib.request.Request(url, data, headers, origin_req_host, method=None)
参数
- url − 一个有效的URL字符串。
-
data − 一个指定要发送到服务器的附加数据的对象。此参数仅适用于HTTP请求。数据可以是字节、类文件对象和字节类对象的可迭代对象。
-
headers − 应该是一个包含头部及其相关值的字典。
-
origin_req_host − 应该是原始事务的请求主机。
-
method − 应该是指示HTTP请求方法的字符串。可以是GET、POST、PUT、DELETE和其他HTTP动词之一,默认为GET。
示例
from urllib.request import Request
obj = Request("https://www.tutorialspoint.com/")
这个Request对象现在可以作为urlopen()方法的参数使用。
from urllib.request import Request, urlopen
obj = Request("https://www.tutorialspoint.com/")
resp = urlopen(obj)
urlopen()函数返回一个HttpResponse对象。调用它的read()方法可以从给定的URL获取资源。
from urllib.request import Request, urlopen
obj = Request("https://www.tutorialspoint.com/")
resp = urlopen(obj)
data = resp.read()
print (data)
发送数据
如果您在请求构造函数中定义了数据参数,将会发送一个POST请求到服务器。数据应该是以字节表示的任意对象。
示例
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)
发送头信息
请求构造器还接受一个header参数,将头信息推送到请求中。它应该是一个字典对象。
headers = {'User-Agent': user_agent}
obj = Request("https://example.com", data, headers)
urllib.error模块
在urllib.error模块中定义了以下异常:
URLError
URLError被抛出是因为没有网络连接(没有到指定服务器的路由)或指定的服务器不存在。在这种情况下,抛出的异常会有一个’reason’属性。
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)
它将产生以下的HTML输出:
HTTP Error 403: Forbidden
HTTPError
每当服务器发送一个HTTP响应时,它会关联一个数字型的“状态码”。该状态码表明服务器无法满足请求的原因。默认的处理程序将会为你处理其中一些响应。对于处理不了的响应,urlopen()函数会引发一个HTTPError。HTTPErrors的典型例子包括’404’(页面未找到),’403’(请求被禁止)和’401’(需要身份认证)。
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