python爬虫之解析链接

解析链接

1. urlparse() & urlunparse()

urlparse() 是对url链接识别和分段的，API用法如下：

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

他的三个参数：

• urlstring: 这是一个必须项，即待解析的url。
• scheme: 它是默认协议。假如这个链接没有带协议信息，会将这个作为默认协议。

from urllib.parse import urlparse

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

结果为：

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

• allow_fragments: 即是否忽略fragment。如果他被设置为False，fragment部分就会被忽略，他会解析为path，parameters或者query的一部分，而fragment部分为空

from urllib.parse import urlparse

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

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，如下：

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，我们可以用索引顺去来获取，也可以用属性名获取。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')

结果如下：

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

可以发现二者结果一致

urlunparse()是其对立方法，他可接收一个可迭代对象。但是长度必须是6，否则会抛出参数数量不足或者过多的问题。如下：

from urllib.parse import urlunparse

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

结果如下：

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

2. urlsplite() & urlunsplite()

unsplite()和urlparse()方法相似。但是不能单独解析params这一部分，只返回5个结果。

from urllib.parse import urlsplit

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

结果：

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

返回结果SplitResult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。如下：

from urllib.parse import urlsplit

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

结果：

http http

urlunsplit()和urlunparse()方法类似，他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。长度必须为5，如下：

from urllib.parse import urlunsplit

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

结果：

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

3. urljoin()

生成链接的另外一个方法，可以提供一个base_url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个内容并对链接缺失部分进行补充。如下：

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'))

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

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会补充。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。

4. urlencode()

urlencode()方法在构造GET请求参数的时候非常有用，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)

首先声明一个字典来作为参数表示，然后调用urlencode()方法将其序列化为GET请求参数。

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

5. parse_qs()

这是一个反序列化方法，我们可以利用parse_qs()方法，就可以转回字典，如下：

from urllib.parse import parse_qs

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

结果

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

6. parse_qsl()

将参数转化成元组列表

from urllib.parse import parse_qsl

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

结果：

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

7. quote() & unquote()

quote()是将中文转换成URL编码，unquote()是对URL进行解码。

from urllib.parse import quote

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

https://www.baidu.com/s?wd=%E5%A3%81%E7%BA%B8

from urllib.parse import unquote

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

https://www.baidu.com/s?wd=壁纸

参考崔庆才博客