這篇文章給大家分享的是有關(guān)Python3爬蟲中如何解析鏈接的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。

晉寧網(wǎng)站建設(shè)公司創(chuàng)新互聯(lián)公司,晉寧網(wǎng)站設(shè)計制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為晉寧超過千家提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\外貿(mào)網(wǎng)站建設(shè)要多少錢，請找那個售后服務(wù)好的晉寧做網(wǎng)站的公司定做！

前面說過，urllib庫里還提供了parse這個模塊，它定義了處理URL的標(biāo)準(zhǔn)接口，例如實(shí)現(xiàn)URL各部分的抽取、合并以及鏈接轉(zhuǎn)換。它支持如下協(xié)議的URL處理：file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、 sip、sips、snews、svn、svn+ssh、telnet和wais。本節(jié)中，我們介紹一下該模塊中常用的方法來看一下它的便捷之處。

1. urlparse()

該方法可以實(shí)現(xiàn)URL的識別和分段，這里先用一個實(shí)例來看一下：

from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html;user?id=5#comment')
print(type(result), result)

這里我們利用urlparse()方法進(jìn)行了一個URL的解析。首先，輸出了解析結(jié)果的類型，然后將結(jié)果也輸出出來。

運(yùn)行結(jié)果如下：

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

可以看到，返回結(jié)果是一個ParseResult類型的對象，它包含6部分，分別是scheme、netloc、path、params、query和fragment。

觀察一下該實(shí)例的URL：

http://www.baidu.com/index.html;user?id=5#comment

可以發(fā)現(xiàn)，urlparse()方法將其拆分成了6部分。大體觀察可以發(fā)現(xiàn)，解析時有特定的分隔符。比如，://前面的就是scheme，代表協(xié)議；第一個/前面便是netloc，即域名；分號;前面是params，代表參數(shù)。

所以，可以得出一個標(biāo)準(zhǔn)的鏈接格式，具體如下：

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

一個標(biāo)準(zhǔn)的URL都會符合這個規(guī)則，利用urlparse()方法可以將它拆分開來。

除了這種最基本的解析方式外，urlparse()方法還有其他配置嗎？接下來，看一下它的API用法：

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

可以看到，它有3個參數(shù)。

urlstring：這是必填項，即待解析的URL。

scheme：它是默認(rèn)的協(xié)議（比如http或https等）。假如這個鏈接沒有帶協(xié)議信息，會將這個作為默認(rèn)的協(xié)議。我們用實(shí)例來看一下：

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

運(yùn)行結(jié)果如下：

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

可以發(fā)現(xiàn)，我們提供的URL沒有包含最前面的scheme信息，但是通過指定默認(rèn)的scheme參數(shù)，返回的結(jié)果是https。

假設(shè)我們帶上了scheme：

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

則結(jié)果如下：

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

可見，scheme參數(shù)只有在URL中不包含scheme信息時才生效。如果URL中有scheme信息，就會返回解析出的scheme。

allow_fragments：即是否忽略fragment。如果它被設(shè)置為False，fragment部分就會被忽略，它會被解析為path、parameters或者query的一部分，而fragment部分為空。下面我們用實(shí)例來看一下：

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

運(yùn)行結(jié)果如下：

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

假設(shè)URL中不包含params和query，我們再通過實(shí)例看一下：

from urllib.parse import urlparse
result = urlparse('http://www.baidu.com/index.html#comment', allow_fragments=False)
print(result)

運(yùn)行結(jié)果如下：

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

可以發(fā)現(xiàn)，當(dāng)URL中不包含params和query時，fragment便會被解析為path的一部分。

返回結(jié)果ParseResult實(shí)際上是一個元組，我們可以用索引順序來獲取，也可以用屬性名獲取。示例如下：

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')

這里我們分別用索引和屬性名獲取了scheme和netloc，其運(yùn)行結(jié)果如下：

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

可以發(fā)現(xiàn)，二者的結(jié)果是一致的，兩種方法都可以成功獲取。

2. urlunparse()

有了urlparse()，相應(yīng)地就有了它的對立方法urlunparse()。它接受的參數(shù)是一個可迭代對象，但是它的長度必須是6，否則會拋出參數(shù)數(shù)量不足或者過多的問題。先用一個實(shí)例看一下：

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

這里參數(shù)data用了列表類型。當(dāng)然，你也可以用其他類型，比如元組或者特定的數(shù)據(jù)結(jié)構(gòu)。

運(yùn)行結(jié)果如下：

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

這樣我們就成功實(shí)現(xiàn)了URL的構(gòu)造。

3. urlsplit()

這個方法和urlparse()方法非常相似，只不過它不再單獨(dú)解析params這一部分，只返回5個結(jié)果。上面例子中的params會合并到path中。示例如下：

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

運(yùn)行結(jié)果如下：

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

可以發(fā)現(xiàn)，返回結(jié)果是SplitResult，它其實(shí)也是一個元組類型，既可以用屬性獲取值，也可以用索引來獲取。示例如下：

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

運(yùn)行結(jié)果如下：

http http

4. urlunsplit()

與urlunparse()類似，它也是將鏈接各個部分組合成完整鏈接的方法，傳入的參數(shù)也是一個可迭代對象，例如列表、元組等，唯一的區(qū)別是長度必須為5。示例如下：

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

運(yùn)行結(jié)果如下：

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

5. urljoin()

有了urlunparse()和urlunsplit()方法，我們可以完成鏈接的合并，不過前提必須要有特定長度的對象，鏈接的每一部分都要清晰分開。

此外，生成鏈接還有另一個方法，那就是urljoin()方法。我們可以提供一個base_url（基礎(chǔ)鏈接）作為第一個參數(shù)，將新的鏈接作為第二個參數(shù)，該方法會分析base_url的scheme、netloc和path這3個內(nèi)容并對新鏈接缺失的部分進(jìn)行補(bǔ)充，最后返回結(jié)果。

下面通過幾個實(shí)例看一下：

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'))

運(yùn)行結(jié)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

可以發(fā)現(xiàn)，base_url提供了三項內(nèi)容scheme、netloc和path。如果這3項在新的鏈接里不存在，就予以補(bǔ)充；如果新的鏈接存在，就使用新的鏈接的部分。而base_url中的params、query和fragment是不起作用的。

通過urljoin()方法，我們可以輕松實(shí)現(xiàn)鏈接的解析、拼合與生成。

6. urlencode()

這里我們再介紹一個常用的方法——urlencode()，它在構(gòu)造GET請求參數(shù)的時候非常有用，示例如下：

from urllib.parse import urlencode
params = {
    'name': 'germey',
    'age': 22
}
base_url = 'http://www.baidu.com?'
url = base_url + urlencode(params)
print(url)

這里首先聲明了一個字典來將參數(shù)表示出來，然后調(diào)用urlencode()方法將其序列化為GET請求參數(shù)。

運(yùn)行結(jié)果如下：

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

可以看到，參數(shù)就成功地由字典類型轉(zhuǎn)化為GET請求參數(shù)了。

這個方法非常常用。有時為了更加方便地構(gòu)造參數(shù)，我們會事先用字典來表示。要轉(zhuǎn)化為URL的參數(shù)時，只需要調(diào)用該方法即可。

7. parse_qs()

有了序列化，必然就有反序列化。如果我們有一串GET請求參數(shù)，利用parse_qs()方法，就可以將它轉(zhuǎn)回字典，示例如下：

from urllib.parse import parse_qs
query = 'name=germey&age=22'
print(parse_qs(query))

運(yùn)行結(jié)果如下：

{'name': ['germey'], 'age': ['22']}

可以看到，這樣就成功轉(zhuǎn)回為字典類型了。

8. parse_qsl()

另外，還有一個parse_qsl()方法，它用于將參數(shù)轉(zhuǎn)化為元組組成的列表，示例如下：

from urllib.parse import parse_qsl
query = 'name=germey&age=22'
print(parse_qsl(query))

運(yùn)行結(jié)果如下：

[('name', 'germey'), ('age', '22')]

可以看到，運(yùn)行結(jié)果是一個列表，而列表中的每一個元素都是一個元組，元組的第一個內(nèi)容是參數(shù)名，第二個內(nèi)容是參數(shù)值。

9. quote()

該方法可以將內(nèi)容轉(zhuǎn)化為URL編碼的格式。URL中帶有中文參數(shù)時，有時可能會導(dǎo)致亂碼的問題，此時用這個方法可以將中文字符轉(zhuǎn)化為URL編碼，示例如下：

from urllib.parse import quote
keyword = '壁紙'
url = 'https://www.baidu.com/s?wd=' + quote(keyword)
print(url)

這里我們聲明了一個中文的搜索文字，然后用quote()方法對其進(jìn)行URL編碼，最后得到的結(jié)果如下：

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

10. unquote()

有了quote()方法，當(dāng)然還有unquote()方法，它可以進(jìn)行URL解碼，示例如下：

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

這是上面得到的URL編碼后的結(jié)果，這里利用unquote()方法還原，結(jié)果如下：

https://www.baidu.com/s?wd=壁紙

可以看到，利用unquote()方法可以方便地實(shí)現(xiàn)解碼。

感謝各位的閱讀！關(guān)于Python3爬蟲中如何解析鏈接就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！

標(biāo)題名稱：Python3爬蟲中如何解析鏈接
網(wǎng)頁URL：http://aaarwkj.com/article36/pegisg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站制作、微信公眾號、搜索引擎優(yōu)化、電子商務(wù)、App開發(fā)、網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)