Python - URL 处理

在互联网世界中，不同的资源由 URL（统一资源定位符）标识。Python 的标准库包含 **urllib** 包，其中包含用于处理 URL 的模块。它可以帮助您解析 URL、获取网络内容和管理错误。

本教程介绍 urllib 基础知识，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 解析成其各个部分。
**urllib.request** 模块包含用于打开和读取 URL 的函数。
**urllib.error** 模块包含 urllib.request 抛出的异常的定义。
**urllib.robotparser** 模块解析 robots.txt 文件。

urllib.parse 模块

此模块作为标准接口，用于从 URL 字符串中获取各个部分。该模块包含以下函数：

urlparse(urlstring)

将 URL 解析成六个组件，返回一个包含 6 个项目的命名元组。每个元组项都是一个字符串，对应以下属性：

属性	索引	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	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（整数），如果存在

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))

此函数解析给定为字符串参数的查询字符串。数据以字典的形式返回。字典的键是唯一的查询变量名称，值是每个名称的值列表。

要进一步将查询字符串中的查询参数提取到字典中，请使用 ParseResult 对象的 query 属性的 parse_qs() 函数，如下所示：

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 params。如果需要更新的 URL 语法（允许将参数应用于 URL 路径部分的每个段），则通常应使用此函数而不是 urlparse()。

urlunparse(parts)

此函数与 urlparse() 函数相反。它根据 urlparse() 返回的元组构建 URL。parts 参数可以是任何六项可迭代对象。这将返回一个等效的 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 urlsplit() 返回的元组的元素组合成一个完整的 URL 字符串。parts 参数可以是任何五项可迭代对象。

urllib.request 模块

此模块提供了用于通过使用 **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 参数指定阻塞操作的超时时间（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可以作为上下文管理器工作的对象，并且具有 url、headers 和 status 属性。对于 HTTP 和 HTTPS URL，此函数返回一个略作修改的 http.client.HTTPResponse 对象。

示例

以下代码使用 urlopen() 函数从图像文件读取二进制数据，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://tutorialspoint.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**：

Request 对象

urllib.request 模块包含 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，即有效的 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** - 指定要发送到服务器的其他数据的对象。此参数只能与 HTTP 请求一起使用。数据可以是字节、类文件对象和字节类对象的迭代器。
**headers** - 应该是标头及其关联值的字典。
**origin_req_host** - 应该是原始事务的请求主机
**method** - 应该是指示 HTTP 请求方法的字符串。GET、POST、PUT、DELETE 和其他 HTTP 动词之一。默认为 GET。

示例

from urllib.request import Request
obj = Request("https://tutorialspoint.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://tutorialspoint.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 上的资源。

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

发送数据

如果将 data 参数定义为 Request 构造函数，则会将 POST 请求发送到服务器。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)

发送标头

Request 构造函数还接受 header 参数，以将标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

urllib.error 模块中定义了以下异常：

URLError

由于没有网络连接（没有到指定服务器的路由）或指定的服务器不存在而引发 URLError。在这种情况下，引发的异常将具有 'reason' 属性。

示例

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，它都与一个数字“状态代码”相关联。代码指示服务器为何无法满足请求。默认处理程序将为您处理其中一些响应。对于它无法处理的响应，urlopen() 函数将引发 HTTPError。HTTPErrors 的典型示例是“404”（页面未找到），“403”（请求被禁止）和“401”（需要身份验证）。

示例

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

obj = Request("https://www.pythonlang.cn/fish.html")
try:
   urlopen(obj)
except err.HTTPError as e:
   print(e.code)

它将产生以下 **输出**：

打印页面