Python3标准库：urllib.parse分解URL
1. urllib.parse分解URL
urllib.parse模块提供了一些函数，可以管理URL及其组成部分，这包括将URL分解为组成部分以及由组成部分构成URL。
1.1 解析
urlparse()函数的返回值是一个ParseResult对象，其相当于一个包含6个元素的tuple。
from urllib.parse import urlparse url = ‘http://netloc/path;param?query=arg#frag‘ parsed = urlparse(url) print(parsed)
通过元组接口得到的URL各部分分别是机制、网络位置、路径、路径段参数(由一个分号将路径分开)、查询以及片段。
尽管返回值相当于一个元组，但实际上它基于一个namedtuple，这是tuple的一个子类，除了可以通过索引访问，它还支持通过命名属性访问URL的各部分。属性API不仅更易于程序员使用，还允许访问tupleAPI中未提供的很多值。
from urllib.parse import urlparse url = ‘http://user::80/path;param?query=arg#frag‘ parsed = urlparse(url) print(‘scheme :‘, parsed.scheme) print(‘netloc :‘, parsed.netloc) print(‘path :‘, parsed.path) print(‘params :‘, parsed.params) print(‘query :‘, parsed.query) print(‘fragment:‘, parsed.fragment) print(‘username:‘, parsed.username) print(‘password:‘, parsed.password) print(‘hostname:‘, parsed.hostname) print(‘port :‘, parsed.port)
输入URL中可能提供用户名(username)和密码(password)，如果没有提供就设置为None。主机名(hostname)与netloc值相同，全为小写并且去除端口值。如果有端口(port)，则转换为一个整数，如果没有则设置为None。
urlsplit()函数可以替换urlparse()，但行为稍有不同，因为它不会从URL分解参数。
from urllib.parse import urlsplit url = ‘http://user::80/p1;para/p2;para?query=arg#frag‘ parsed = urlsplit(url) print(parsed) print(‘scheme :‘, parsed.scheme) print(‘netloc :‘, parsed.netloc) print(‘path :‘, parsed.path) print(‘query :‘, parsed.query) print(‘fragment:‘, parsed.fragment) print(‘username:‘, parsed.username) print(‘password:‘, parsed.password) print(‘hostname:‘, parsed.hostname) print(‘port :‘, parsed.port)
由于没有分解参数，tuple API胡显示五个元素而不是6个，并且这里没有params属性。
要想从一个URL剥离出片段标识符，如从一个URL查找基页面名，可以使用urldefrag()。
from urllib.parse import urldefrag original = ‘http://netloc/path;param?query=arg#frag‘ print(‘original:‘, original) d = urldefrag(original) print(‘url :‘, d.url) print(‘fragment:‘, d.fragment)
返回值是一个基于namedtuple的DefragResult，其中包含基URL和片段。
1.2 反解析
还可以利用一些方法把分解的URL的各个部分重新组装在一起，形成一个串。解析的URL对象有一个geturl()方法。
from urllib.parse import urlparse original = ‘http://netloc/path;param?query=arg#frag‘ print(‘ORIG :‘, original) parsed = urlparse(original) print(‘PARSED:‘, parsed.geturl())
geturl()只适用于urlparse()或urlsplit()返回的对象。
利用urlunparse()可以将包含串的普通元组重新组合为一个URL。
from urllib.parse import urlparse, urlunparse original = ‘http://netloc/path;param?query=arg#frag‘ print(‘ORIG :‘, original) parsed = urlparse(original) print(‘PARSED:‘, type(parsed), parsed) t = parsed[:] print(‘TUPLE :‘, type(t), t) print(‘NEW :‘, urlunparse(t))
尽管urlparse()返回的ParseResult可以作为一个元组，但这个例子却显式地创建了一个新元组，来展示urlunparse()也适用于普通元组。
如果输入URL包含多余的部分，那么重新构造的URL可能会将其去除。
from urllib.parse import urlparse, urlunparse original = ‘http://netloc/path;?#‘ print(‘ORIG :‘, original) parsed = urlparse(original) print(‘PARSED:‘, type(parsed), parsed) t = parsed[:] print(‘TUPLE :‘, type(t), t) print(‘NEW :‘, urlunparse(t))
在这里，原URL中没有参数、查询和片段。新URL看起来与原URL并不相同，不过按照标准它们是等价的。
1.3 连接
除了解析URL，urlparse还包括一个urljoin()方法，可以由相对片段构造绝对URL。
from urllib.parse import urljoin
print(urljoin(‘http://www.example.com/path/file.html‘,
‘anotherfile.html‘))
print(urljoin(‘http://www.example.com/path/file.html‘,
‘../anotherfile.html‘))在这个例子中，计算第二个URL时要考虑路径的相对部分("../")。
非相对路径的处理与os.path.join()的处理方式相同。
from urllib.parse import urljoin
print(urljoin(‘http://www.example.com/path/‘,
‘/subpath/file.html‘))
print(urljoin(‘http://www.example.com/path/‘,
‘subpath/file.html‘))如果连接到URL的路径以一个斜线开头(/)，那么urljoin()会把URL的路径重置为顶级路径。如果不是以一个斜线开头，那么新路径值则追加到URL当前路径的末尾。
1.4 解码查询参数
参数在被增加到一个URL之前，需要先编码。
from urllib.parse import urlencode
query_args = {
‘q‘: ‘query string‘,
‘foo‘: ‘bar‘,
}
encoded_args = urlencode(query_args)
print(‘Encoded:‘, encoded_args)编码会替换诸如空格之类的特殊字符，以确保采用一种符合标准的格式将它们传递到服务器。
如果要利用查询串中的变量传递一个值序列，那么需要在调用urlencode()时将doseq设置为True。
from urllib.parse import urlencode
query_args = {
‘foo‘: [‘foo1‘, ‘foo2‘],
}
print(‘Single :‘, urlencode(query_args))
print(‘Sequence:‘, urlencode(query_args, doseq=True))结果是一个查询串，包含与一个名关联的多个值。
要解码这个查询串，可以使用parse_qs()或parse_qsl()。
from urllib.parse import parse_qs, parse_qsl encoded = ‘foo=foo1&foo=foo2‘ print(‘parse_qs :‘, parse_qs(encoded)) print(‘parse_qsl:‘, parse_qsl(encoded))
parse_qs()的返回值是一个将名映射到值的字典，而parse_qsl()返回一个元组列表，每个元组包含一个名和一个值。
查询参数中可能有一些特殊字符，会导致服务器端在解析URL时出问题，所以在传递到urlencode()时要对这些特殊字符“加引号”。要在本地对它们加引号以建立这些串的安全版本，可以直接使用quote()或quote_plus()函数。
from urllib.parse import quote, quote_plus, urlencode
url = ‘http://localhost:8080/~hellmann/‘
print(‘urlencode() :‘, urlencode({‘url‘: url}))
print(‘quote() :‘, quote(url))
print(‘quote_plus():‘, quote_plus(url))quote_plus()中的加引号实现会更大程度的替换字符。
要完成加引号操作的逆过程，可以在适当的时候使用unquote()或unquote_plus()。
from urllib.parse import unquote, unquote_plus
print(unquote(‘http%3A//localhost%3A8080/%7Ehellmann/‘))
print(unquote_plus(
‘http%3A%2F%2Flocalhost%3A8080%2F%7Ehellmann%2F‘
))编码的值会转换回一个普通的URL串。
