Python爬虫从入门到精通——请求库Urllib的使用（三）：解析链接

分类目录：《Python爬虫从入门到精通》总目录

请求库Urllib的使用（一）：发送请求
请求库Urllib的使用（二）：处理异常
请求库Urllib的使用（三）：解析链接
请求库Urllib的使用（四）：Robots协议

在《请求库Urllib的使用（一）：发送请求》文章中提到，urllib库里还提供了parse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、hd、http、https、imap、mailto、mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、sip、sips、snews、svn、svn+ssh、telnet和wais。本文中，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。

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('www.baidu.com')
print(type(result))
print(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。

<class 'urllib.parse.ParseResult'>
ParseResult(scheme='', netloc='', path='www.baidu.com', params='', query='', fragment='')

可以看到，返回结果是一个ParseResult类型的对象，它包含6个部分，分别是scheme、netloc、path、params、query和fragment。可以发现，urlparse()方法将其拆分成了6个部分。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/符号前面便是netloc，即域名，后面是path，即访问路径。分号；前面是params，代表参数。问号？后面是查询条件query，一般用作GET类型的URL。井号#后面是锚点，用于直接定位页面内部的下拉位置。所以，可以得出一个标准的链接格式，具体如下：

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

一个标准的URL都会符合这个规则，利用urlparse()方法方法可以将它拆分开来。除了这种最基本的解析方式外，urlparse()方法还有一些其他的配置吗

 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：
• 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。

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。

from urllib.parse import urlunparse
data = ['http', 'www.baidu.com', 'index.html', '', '', '']
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

这样我们就成功实现了URL的构造。

urlsplit()

urlsplit()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，而将params会合并到path中，只返回5个结果。

urlunsplit()

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，传人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。

urljoin()

有了urlunsplit()和urlunparse()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。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。

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.

from urllib.parse import urlencode

params = {
    'blog': 'hy592070616', 
    'corporation': 'HUAWEI'
}
base_url = '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：

www.baidu.com?blog=hy592070616&corporation=HUAWEI

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。

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。

from urllib.parse import parse_qs

query = 'blog=hy592070616&corporation=HUAWEI'
print(parse_qs(query))

运行结果：

{'blog': ['hy592070616'], 'corporation': ['HUAWEI']}

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.

from urllib.parse import parse_qsl

query = 'blog=hy592070616&corporation=HUAWEI'
print(parse_qsl(query))

运行结果：

[('blog', 'hy592070616'), ('corporation', 'HUAWEI')]

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。

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。

from urllib.parse import quote

keyword = '洪远的博客'
url = '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：

www.baidu.com/s?wd=%E6%B4%AA%E8%BF%9C%E7%9A%84%E5%8D%9A%E5%AE%A2

unquote()

有了quote()方法，当然还有unquote()方法，它可以进行URL解码。

from urllib.parse import unquote

url = 'www.baidu.com/s?wd=%E6%B4%AA%E8%BF%9C%E7%9A%84%E5%8D%9A%E5%AE%A2'
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。

www.baidu.com/s?wd=洪远的博客

可以看到，利用unquote()方法可以方便地实现解码。