python的url路径参数

转载

智能开发先锋 2024-12-23 19:03:52

文章标签 python的url路径参数 python https 开发语言 html 文章分类 Python 后端开发

urllib 包包含以下几个模块：

urllib.request - 打开和读取 URL。
urllib.error - 包含 urllib.request 抛出的异常。
urllib.parse - 解析 URL。
urllib.robotparser - 解析 robots.txt 文件。

urllib.request

urllib.request 定义了一些打开 URL 的函数和类，包含授权验证、重定向、浏览器 cookies等。

urllib.request 可以模拟浏览器的一个请求发起过程。

咱们可以使用 urllib.request 的 urlopen 方法来打开一个 URL，语法格式如下：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url：url 地址。
data：发送到server 的其他数据对象，默认为 None。
timeout：设置访问超时时间。
cafile 和 capath：cafile 为 CA 证书， capath 为 CA 证书的路径，使用 HTTPS 需要用到。
cadefault：已经被弃用。
context：ssl.SSLContext类型，用来指定 SSL 设置。

实例如下：

实例 
    from urllib.request import urlopen
    
    myURL = urlopen("")
    
    print(myURL.read())

以上代码使用 urlopen 打开一个 URL，然后使用 read() 函数获取网页的 HTML 实体代码。

read() 是读取整个网页内容，咱们可以指定读取的长度：

实例 
    from urllib.request import urlopen
    
    myURL = urlopen("")
    
    print(myURL.read(300))

除了 read() 函数外，还包含以下两个读取网页内容的函数：

readline() - 读取文件的一行内容

from urllib.request import urlopen
    
    myURL = urlopen("")
    print(myURL.readline()) #读取一行内容

readlines() - 读取文件的全部内容，它会把读取的内容赋值给一个列表变量。

from urllib.request import urlopen
    
    myURL = urlopen("")
    lines = myURL.readlines()
    for line in lines:
        print(line)

咱们在对网页进行抓取时，经常需要判断网页是否可以正常访问，这里咱们就可以使用 getcode() 函数获取网页状态码，return 200 说明网页正常，return 404 说明网页不存在:

实例 
    import urllib.request
    
    myURL1 = urllib.request.urlopen("")
    
    print(myURL1.getcode())   # 200
    try:
    
        myURL2 = urllib.request.urlopen("no.html")
    
    except urllib.error.HTTPError as e:
    
        if e.code == 404:
    
            print(404)   # 404

如果要将抓取的网页保存到本地，可以使用 [Python3 File write() 方法][Python3 File write_] 函数：

实例 
    from urllib.request import urlopen
    
    
    myURL = urlopen("")
    
    f = open("phlcsdn2023_urllib_test.html", "wb")
    
    content = myURL.read()  # 读取网页内容
    
    f.write(content)
    
    f.close()

执行以上代码，在本地就会生成一个 phlcsdn2023_urllib_test.html 文件。

URL 的编码与解码可以使用 urllib.request.quote() 与 urllib.request.unquote() 方法：

实例 
    import urllib.request 
    
    encode_url = urllib.request.quote("")  # 编码
    
    print(encode_url)
    
    unencode_url = urllib.request.unquote(encode_url)    # 解码
    
    print(unencode_url)

输出结果请在输出结果查看

https%3A//blog.csdn.net/phlcsdn2023/
    https://blog.csdn.net/phlcsdn2023/

模拟头部信息

咱们抓取网页一般需要对 headers（网页头信息）进行模拟，这时候需要使用到 urllib.request.Request 类：

class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

url：url 地址。
data：发送到server 的其他数据对象，默认为 None。
headers：HTTP 请求的头部信息，字典格式。
origin_req_host：请求的主机地址，IP 或域名。
unverifiable：很少用整个参数，用于设置网页是否需要验证，默认是False。。
method：请求方法，如 GET、POST、DELETE、PUT等。

实例 - py3_urllib_test.py 文件代码 
    import urllib.request
    
    import urllib.parse
    
    url = '?s='  # phlcsdn2023教程搜索页面
    
    keyword = 'Python 教程' 
    
    key_code = urllib.request.quote(keyword)  # 对请求进行编码
    
    url_all = url+key_code
    
    header = {
    
        'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
    
    }   #头部信息
    
    request = urllib.request.Request(url_all,headers=header)
    
    reponse = urllib.request.urlopen(request).read()
    
    fh = open("./urllib_test_phlcsdn2023_search.html","wb")    # 将文件写入到当前目录中
    
    fh.write(reponse)
    
    fh.close()

执行以上 Python 代码，会在当前目录生成 urllib_test_phlcsdn2023_search.html 文件，打开 urllib_test_phlcsdn2023_search.html 文件（可以使用浏览器打开）

表单 POST 传递数据，咱们先创建一个表单，代码如下，我这里使用了 PHP 代码来获取表单的数据：

实例 - py3_urllib_test.php 文件代码： 
    <!DOCTYPE html>
    
    <html>
    
    <head>
    
    <meta charset="utf-8">
    
    <title>phlcsdn2023教程(blog.csdn.net/phlcsdn2023) urllib POST  测试</title>
    
    </head>
    
    <body>
    
    <form action="" method="post" name="myForm">
    
        Name: <input type="text" name="name"><br>
    
        Tag: <input type="text" name="tag"><br>
    
        <input type="submit" value="提交">
    
    </form>
    
    <hr>
    
    <?php
    
    // 使用 PHP 来获取表单提交的数据，青天大老爷您可以换成其他的
    
    if(isset($_POST['name']) && $_POST['tag'] ) {
    
        echo $_POST["name"] . ', ' . $_POST['tag'];
    
    }
    
    ?>
    
    </body>
    
    </html>

实例 
    import urllib.request
    
    import urllib.parse
    
    
    
    url = 'try/py3/py3_urllib_test.php'  # 提交到表单页面
    
    data = {'name':'phlcsdn2023', 'tag' : 'phlcsdn2023教程'}   # 提交数据
    
    header = {
    
        'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
    
    }   #头部信息
    
    data = urllib.parse.urlencode(data).encode('utf8')  # 对参数进行编码，解码使用 urllib.parse.urldecode
    
    request=urllib.request.Request(url, data, header)   # 请求处理
    
    reponse=urllib.request.urlopen(request).read()      # 读取结果
    
    
    
    fh = open("./urllib_test_post_phlcsdn2023.html","wb")    # 将文件写入到当前目录中
    
    fh.write(reponse)
    
    fh.close()

执行以上代码，会提交表单数据到 py3_urllib_test.php 文件，输出结果写入到 urllib_test_post_phlcsdn2023.html 文件。

打开 urllib_test_post_phlcsdn2023.html 文件（可以使用浏览器打开），显示结果请在输出结果查看

urllib.error

urllib.error 模块为 urllib.request 所引发的异常定义了异常类，基础异常类是 URLError。

urllib.error 包含了两个方法，URLError 和 HTTPError。

URLError 是 OSError 的一个子类，用于处理程序在遇到问题时会引发此异常（或其派生的异常），包含的属性 reason 为引发异常的原因。

HTTPError 是 URLError 的一个子类，用于处理特殊 HTTP 错误例如作为认证请求的时候，包含的属性 code 为 HTTP 的状态码， reason 为引发异常的原因，headers 为导致 HTTPError 的特定 HTTP 请求的 HTTP 响应头。

对不存在的网页抓取并处理异常:

实例 
    import urllib.request
    
    import urllib.error
    
    myURL1 = urllib.request.urlopen("")
    
    print(myURL1.getcode())   # 200
    try:
    
        myURL2 = urllib.request.urlopen("no.html")
    
    except urllib.error.HTTPError as e:
    
        if e.code == 404:
    
            print(404)   # 404

urllib.parse

urllib.parse 用于解析 URL，格式如下：

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

urlstring 为字符串的 url 地址，scheme 为协议类型，

allow_fragments 参数为 false，则无法识别片段标识符。相反，它们被解析为路径，参数或查询组件的一部分，并 fragment 在return 值中设置为空字符串。

实例 
    from urllib.parse import urlparse
    o = urlparse("?s=python+%E6%95%99%E7%A8%8B")
    
    print(o)

以上实例输出结果请在输出结果查看

ParseResult(scheme='https', netloc='blog.csdn.net/phlcsdn2023', path='/', params='', query='s=python+%E6%95%99%E7%A8%8B', fragment='')

从结果可以看出，内容是一个元组，包含 6 个字符串：协议，位置，路径，参数，查询，判断。

咱们可以直接读取协议内容：

实例 
    from urllib.parse import urlparse
    
    o = urlparse("?s=python+%E6%95%99%E7%A8%8B")
    
    print(o.scheme)

以上实例输出结果请在输出结果查看

https

完整内容如下：

属性	索引	值	值（如果不存在）
`scheme`	0	URL协议	scheme 参数
`netloc`	1	网络位置部分	空字符串
`path`	2	分层路径	空字符串
`params`	3	最后路径元素的参数	空字符串
`query`	4	查询组件	空字符串
`fragment`	5	片段识别	空字符串
`username`		用户名	`None`
`password`		password	`None`
`hostname`		主机名（小写）	`None`
`port`		端口号为整数（如果存在）	`None`

urllib.robotparser

urllib.robotparser 用于解析 robots.txt 文件。

robots.txt（统一小写）是一种存放于网站根目录下的 robots 协议，它通常用于告诉搜索引擎对网站的抓取规则。

urllib.robotparser 提供了 RobotFileParser 类，语法如下：

class urllib.robotparser.RobotFileParser(url='')

这个类提供了一些可以读取、解析 robots.txt 文件的方法：

set_url(url) - 设置 robots.txt 文件的 URL。
read() - 读取 robots.txt URL 并将其输入解析器。
parse(lines) - 解析行参数。
can_fetch(useragent, url) - 如果允许 useragent 按照被解析 robots.txt 文件中的规则来获取 url 则return True。
mtime() -return 最近一次获取 robots.txt 文件的时间。这适用于需要定期检查 robots.txt 文件更新情况的长时间运行的网页爬虫。
modified() - 将最近一次获取 robots.txt 文件的时间设置为当前时间。
crawl_delay(useragent) -为指定的 useragent 从 robots.txt return Crawl-delay 形参。如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则return None。
request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt return Request-rate 形参的内容。如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则return None。
site_maps() - 以 list() 的形式从 robots.txt return Sitemap 形参的内容。如果此形参不存在或者此形参的 robots.txt 条目存在语法错误，则return None。

实例 
    >>> import urllib.robotparser
    
    >>> rp = urllib.robotparser.RobotFileParser()
    
    >>> rp.set_url("http://www.musi-cal.net/robots.txt")
    
    >>> rp.read()
    
    >>> rrate = rp.request_rate("*")
    
    >>> rrate.requests
    
    3
    
    >>> rrate.seconds
    
    20
    
    >>> rp.crawl_delay("*")
    
    6
    
    >>> rp.can_fetch("*", "http://www.musi-cal.net/cgi-bin/search?city=San+Francisco")
    
    False
    
    >>> rp.can_fetch("*", "http://www.musi-cal.net/")
    
    True

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。