urlparse之urljoin() 爬虫必备

首先导入模块，用help查看相关文档

>>> from urlparse import urljoin
>>> help(urljoin)
Help on function urljoin in module urlparse:

urljoin(base, url, allow_fragments=True)
    Join a base URL and a possibly relative URL to form an absolute
    interpretation of the latter.
    

意思就是将基地址与一个相对地址形成一个绝对地址，然而讲的太过抽象

接下来，看几个例子，从例子中发现规律。

>>> urljoin("http://www.google.com/1/aaa.html","bbbb.html")
'http://www.google.com/1/bbbb.html'
>>> urljoin("http://www.google.com/1/aaa.html","2/bbbb.html")
'http://www.google.com/1/2/bbbb.html'
>>> urljoin("http://www.google.com/1/aaa.html","/2/bbbb.html")
'http://www.google.com/2/bbbb.html'
>>> urljoin("http://www.google.com/1/aaa.html","http://www.google.com/3/ccc.html")
'http://www.google.com/3/ccc.html'
>>> urljoin("http://www.google.com/1/aaa.html","http://www.google.com/ccc.html")
'http://www.google.com/ccc.html'
>>> urljoin("http://www.google.com/1/aaa.html","javascript:void(0)")
'javascript:void(0)'

规律不难发现，但是并不是万事大吉了，还需要处理特殊情况，如链接是其本身，链接中包含无效字符等

url = urljoin("****","****")

### find()查找字符串函数，如果查到：返回查找到的第一个出现的位置。否则，返回-1
if url.find("'")!=-1:
    continue  

### 只取井号前部分
url = url.split('#')[0]

### 这个isindexed()是我自己定义的函数，判断该链接不在保存链接的数据库中
if url[0:4]=='http' and not self.isindexed(url):

    ###newpages = set(),无序不重复元素集
    newpages.add(url)

​