python3 url解析 urllib.parse.urlparse 库简介

灰太狼 2021-08-30 23:41 546阅读 0赞

urllib.parse - 将URL解析为组件

`urllib.parse`定义了一个标准接口，用于在组件中解析统一资源定位符（URL）字符串（寻址方案，网络位置，路径等），将组件组合回URL字符串，并将“相对URL”转换为绝对URL给出“基本URL”。

该模块旨在匹配相对统一资源定位器上的Internet RFC。它支持下列URL方案：`file`，`ftp`，`gopher`，`hdl`，`http`，`https`，`imap`，`mailto`，`mms`， `news`，`nntp`，`prospero`，`rsync`，`rtsp`，`rtspu`，`sftp`， `shttp`，`sip`，`sips`，`snews`，`svn`，`svn+ssh`，`telnet`， `wais`，`ws`，`wss`。

`urllib.parse`模块定义了分为两大类的功能：URL解析和URL引用。

URL解析

URL解析功能侧重于将URL字符串拆分为其组件，或者将URL组件组合为URL字符串。

### urllib.parse.urlparse(urlstring，scheme =''，allow\_fragments = True ) ###

将URL解析为六个组件，返回一个6个元素的元组，对应URL的一般结构：`scheme://netloc/path;parameters?query#fragment`。每个元组项都是一个字符串，可能为空。组件不会以较小的部分分解（例如，网络位置是单个字符串），并且不会展开％escapes。如上所示的分隔符不是结果的一部分，除了路径组件中的前导斜杠，如果存在则保留。例如：

>>> from urllib.parse import urlparse
    >>> o = urlparse('http://www.cwi.nl:80/%7Eguido/Python.html')
    >>> o
    ParseResult(scheme='http', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')
    >>> o.scheme
    'http'
    >>> o.port
    80
    >>> o.geturl()
    'http://www.cwi.nl:80/%7Eguido/Python.html'

只有在'//'正确引入的情况下， urlparse才会识别netloc。否则，假定输入是一个相对URL，将以路径组件开始

>>> from urllib.parse import urlparse
        
     >>> urlparse('//www.cwi.nl:80/%7Eguido/Python.html')
     ParseResult(scheme='', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')
     >>> urlparse('www.cwi.nl/%7Eguido/Python.html')
     ParseResult(scheme='', netloc='', path='www.cwi.nl/%7Eguido/Python.html', params='', query='', fragment='')
     >>> urlparse('help/Python.html')
     ParseResult(scheme='', netloc='', path='help/Python.html', params='', query='', fragment='')

scheme参数给出了默认的寻址方案，只有在URL没有指定寻址方案时才使用。它应该是与urlstring相同的类型(文本或字节)，只是默认值`''`总是允许的，并在适当时自动转换为`''`。

如果`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`在返回值中设置为空字符串。

返回值是一个元组，这样我们可以通过索引或者吗命名属性访问，如下：

<table> 
 <thead> 
  <tr> 
   <th>属性</th> 
   <th>索引</th> 
   <th>值</th> 
   <th>Value if not present</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>scheme</td> 
   <td>0</td> 
   <td>协议</td> 
   <td><em>scheme</em>参数</td> 
  </tr> 
  <tr> 
   <td>netloc</td> 
   <td>1</td> 
   <td>网络位置部分</td> 
   <td>空字符串</td> 
  </tr> 
  <tr> 
   <td>path</td> 
   <td>2</td> 
   <td>分层路径</td> 
   <td>空字符串</td> 
  </tr> 
  <tr> 
   <td>params</td> 
   <td>3</td> 
   <td>最后一个路径元素的参数</td> 
   <td>空字符串</td> 
  </tr> 
  <tr> 
   <td>query</td> 
   <td>4</td> 
   <td>查询</td> 
   <td>空字符串</td> 
  </tr> 
  <tr> 
   <td>fragment</td> 
   <td>5</td> 
   <td>信息片段</td> 
   <td>空字符串</td> 
  </tr> 
  <tr> 
   <td>username</td> 
   <td>&nbsp;</td> 
   <td>用户名</td> 
   <td>None</td> 
  </tr> 
  <tr> 
   <td>password</td> 
   <td>&nbsp;</td> 
   <td>密码</td> 
   <td>None</td> 
  </tr> 
  <tr> 
   <td>hostname</td> 
   <td>&nbsp;</td> 
   <td>主机名</td> 
   <td>None</td> 
  </tr> 
  <tr> 
   <td>port</td> 
   <td>&nbsp;</td> 
   <td>端口号</td> 
   <td>None</td> 
  </tr> 
 </tbody> 
</table>

如果在URL中指定了无效端口，则读取该`port`属性将引发[`ValueError`][ValueError]异常。

netloc属性中不匹配的方括号将引发ValueError。

与所有命名元组的情况一样，子类还有一些特别有用的附加方法和属性。一种这样的方法是`_replace()`。该`_replace()`方法将返回一个新的ParseResult对象，用新值替换指定的字段。

>>> from urllib.parse import urlparse
     >>> u = urlparse('//www.cwi.nl:80/%7Eguido/Python.html')
     >>> u
     ParseResult(scheme='', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')
     >>> u._replace(scheme='http')
     ParseResult(scheme='http', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')

### urllib.parse.parse\_qs(qs，keep\_blank\_values = False，strict\_parsing = False，encoding ='utf-8'，errors ='replace'，max\_num\_fields = None ) ###

解析作为字符串参数给出的查询字符串（类型为 application / x-www-form-urlencoded的数据）。数据作为字典返回。字典键是唯一的查询变量名称，值是每个名称的值列表。

可选参数keep\_blank\_values是一个标志，指示百分比编码查询中的空值是否应被视为空字符串。true值表示空格应保留为空字符串。默认的false值表示将忽略空白值并将其视为未包含它们。

可选参数strict\_parsing是一个标志，指示如何处理解析错误。如果为false（默认值），则会以静默方式忽略错误。如果为true，则错误会引发ValueError异常。

可选的编码和错误参数指定如何将百分比编码的序列解码为Unicode字符，正如 [`bytes.decode()`][bytes.decode]方法所接受的那样。

可选参数max\_num\_fields是要读取的字段的最大数量。如果设置，则如果读取的字段超过max\_num\_fields，则抛出ValueError。

使用urllib.parse.urlencode()函数(doseq参数设置为True)将这些字典转换成查询字符串。

### urllib.parse.parse\_qsl（qs，keep\_blank\_values = False，strict\_parsing = False，encoding ='utf-8'，errors ='replace'，max\_num\_fields = None ） ###

将给定的查询字符串解析为字符串参数(类型为application/x-www-form-urlencoded的数据)。数据作为名称、值对列表返回。

可选参数`keep_blank_values`是一个标志，指示百分比编码的查询中的空白值是否应该被视为空白字符串。true值指示空白应保留为空白字符串。默认的false值表示要忽略空白值，并将其视为未包含。

可选参数`strict_parser`是一个标志，指示如何处理解析错误。如果为false(默认值)，错误将被默认忽略。如果为真，错误将引发ValueError异常。

可选的`encoding` 和`errors`参数指定如何将百分比编码的序列解码为Unicode字符，正如bytes.decode()方法所接受的那样。

可选参数`max_num_fields`是要读取的字段的最大数量。如果设置，则如果读取的字段超过max\_num\_fields，则抛出ValueError。

使用urllib.parse.urlencode()函数将这些对列表转换为查询字符串。

### urllib.parse.urlsplit(urlstring, scheme='', allow\_fragments=True) ###

这类似于urlparse()，但不会从URL中分割参数。如果需要将允许参数应用于URL路径部分的每个段的最新URL语法(请参阅RFC 2396)，则通常应该使用该方法而不是urlparse()。需要一个单独的函数来分离路径段和参数。这个函数返回5个(对比 urlparse没有params)元素的元组:

(addressing scheme, network location, path, query, fragment identifier)

[ValueError]: https://docs.python.org/zh-cn/3/library/exceptions.html#ValueError
[bytes.decode]: https://docs.python.org/zh-cn/3/library/stdtypes.html#bytes.decode