Python的Web编程[0] -> Web客户端[0] -> 统一资源定位符 URL

统一资源定位符 / URL

---

目录

1. URL 构成
2. URL 解析
3. URL 处理

1 URL构成

统一资源定位符(Uniform Resource Locator) 是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。现在已经被万维网联盟编制为互联网标准 RFC1738。

URL的基本格式为，prot_sch://net_loc/path;params?query#frag

各部分组件含义如下，

URL组件	描述
prot_sch	网络协议或下载方案，如HTTP/FTP等
net_loc	服务器所在地，如www.xxx.com/localhost
path	使用斜杠(/)分割的文件或CGI路径
params	可选参数
query	连接符&分隔的一系列键值对
frag	指定文档内特定锚的部分

其中net_loc的基本格式为，user:passwd@host:port

各部分组件含义如下，

组件	描述
user	用户名或登录
passwd	用户密码
host	运行Web服务器的计算机名称或地址(必需的)
params	端口号(如果没有则默认80)

在这4个组件中，host是最重要的，port只有在Web服务器运行在非默认端口的情况下才会使用，而用户名和密码只有在FTP连接时才会使用，而即使是FTP大多也都是使用匿名的，此时无需用户名和密码。

2 URL解析

对于URL的解析可以使用urllib中的parse模块来进行，

完整代码

from urllib import parse

# urlparse --> urllib.parse since python 3.0

# urlparse
print(parse.urlparse('http://blog.csdn.net/hxsstar/article/details/17240975'))
# ParseResult(scheme='http', netloc='blog.csdn.net', path='/hxsstar/article/details/17240975', params='', query='', fragment='')
print(parse.urlparse('http://www.python.org/doc/FAQ.html'))
# ParseResult(scheme='http', netloc='www.python.org', path='/FAQ.html', params='', query='', fragment='')

# urlunparse
# http://blog.csdn.net/hxsstar/article/details/17240975
print(parse.urlunparse(parse.urlparse('http://blog.csdn.net/hxsstar/article/details/17240975')))
print(parse.urlunparse(parse.ParseResult(scheme='http', netloc='blog.csdn.net', path='/hxsstar/article/details/17240975', params='', query='', fragment='')))

# urljoin
# urljoin will join schema, net_loc and part of path of baseurl, with new url
print(parse.urljoin('http://www.python.org/doc/FAQ.html', 'current/lib/lib.html'))
# http://www.python.org/doc/current/lib/lib.html

分段解释

首先从urllib中导入parse模块，此处需要注意的是，从Python3.0开始，原本的urlparse模块与urlopen等模块重新整合到了urllib中。

from urllib import parse

# urlparse --> urllib.parse since python 3.0

使用urlparse函数对一个URL进行解析，最终可以得到结果为ParseResult的实例

# urlparse
print(parse.urlparse('http://blog.csdn.net/hxsstar/article/details/17240975'))
# ParseResult(scheme='http', netloc='blog.csdn.net', path='/hxsstar/article/details/17240975', params='', query='', fragment='')
print(parse.urlparse('http://www.python.org/doc/FAQ.html'))
# ParseResult(scheme='http', netloc='www.python.org', path='/FAQ.html', params='', query='', fragment='')

使用urlunparse函数则可以逆向上述的过程，将一个ParseResult实例变为URL

# urlunparse
# http://blog.csdn.net/hxsstar/article/details/17240975
print(parse.urlunparse(parse.urlparse('http://blog.csdn.net/hxsstar/article/details/17240975')))
print(parse.urlunparse(parse.ParseResult(scheme='http', netloc='blog.csdn.net', path='/hxsstar/article/details/17240975', params='', query='', fragment='')))

使用urljoin函数可以处理多个URL，该函数接受两个URL，将其中第一个作为base，保留其schema，net_loc以及path除最终文件名部分的内容，将其与第二个参数进行拼接生成新的URL

# urljoin
# urljoin will join schema, net_loc and part of path of baseurl, with new url
print(parse.urljoin('http://www.python.org/doc/FAQ.html', 'current/lib/lib.html'))
# http://www.python.org/doc/current/lib/lib.html

3 URL处理

通过URL可以利用urllib模块来进行数据下载等一系列操作，主要利用了url的request模块内的函数来进行，

完整代码

from urllib import request

url = 'https://www.baidu.com'

# urlopen: 
# urlopen(urlstr) will open an URL that pointed by urlstr, if no Schema or Schema is 'file' in urlstr, it will open a local file
# it return a file object like open() does
with request.urlopen(url) as f:
    print(f)    # http.client.HTTPResponse object
    re = f.read()   # read all bytes
    print(re)
    re = f.info()   # return MIME(Multipurpose Internet Mail Extension)
    print(re)   
    re = f.geturl() # return real URL
    print(re)   

# urlretrieve: 
# urlretrieve will download full HTML and save it as a file
# filename -- file save path and file name, default None, and path is AppData/temp
# reporthook -- pass a function to this para, and three para(blocknum, block_size, total_size) will be passed to your function
print(request.urlretrieve(url, filename='baidu_url', reporthook=print))

# quote:
# quote function can encode some symbol that not allowed in URL into %xx
print(request.quote('diss act&cat/sad')) # diss%20act%26cat/sad 
print(request.quote('diss act&cat/sad', safe='/&')) # diss%20act&cat/sad 

# unquote:
print(request.unquote('diss%20act%26cat/sad')) # diss act&cat/sad

分段解释

首先导入request模块，并且定义url参数，接着使用urlopen函数连接URL，若Schema为file或没有Schema，则会打开一个本地文件。该函数返回一个类似于文件的类实例，可通过read()/readline()/readlines()等函数进行数据读取。

from urllib import request

url = 'https://www.baidu.com'

# urlopen: 
# urlopen(urlstr) will open an URL that pointed by urlstr, if no Schema or Schema is 'file' in urlstr, it will open a local file
# it return a file object like open() does
with request.urlopen(url) as f:
    print(f)    # http.client.HTTPResponse object
    re = f.read()   # read all bytes
    print(re)
    re = f.info()   # return MIME(Multipurpose Internet Mail Extension)
    print(re)   
    re = f.geturl() # return real URL
    print(re)   

输出结果，其中 3-17 行为MIME信息。

Note: 此处使用 https://www.baidu.com 而不是 http://www.baidu.com，因此当使用urlopen获取网页信息的时候得到的并非原网页的HTML文本，而是一个对https到http的转接，若需要原网页的HTML文本可使用 http://www.baidu.com URL进行连接。

<http.client.HTTPResponse object at 0x00000000034FEC50>  
b'<html>
<head>
	<script>
		location.replace(location.href.replace("https://","http://"));
	</script>
</head>
<body>
	<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
</body>
</html>'  
Accept-Ranges: bytes  
Cache-Control: no-cache  
Content-Length: 227  
Content-Type: text/html  
Date: Mon, 09 Oct 2017 08:46:05 GMT  
Last-Modified: Mon, 25 Sep 2017 03:07:00 GMT  
P3p: CP=" OTI DSP COR IVA OUR IND COM "  
Pragma: no-cache  
Server: BWS/1.1  
Set-Cookie: BD_NOT_HTTPS=1; path=/; Max-Age=300  
Set-Cookie: BIDUPSID=A73CA416A65961564293CD1641ABCE93; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com  
Set-Cookie: PSTM=1507538765; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com  
Strict-Transport-Security: max-age=0  
X-Ua-Compatible: IE=Edge,chrome=1  
Connection: close  
  
https://www.baidu.com  

当我们需要保存读取到的HTML文件时，可以使用urlretrieve()函数进行，向该函数传入目标url，保存的文件名，以及一个hook函数，保存文件的过程中会向hook函数中传入3个参数，分别是目前读入块数，块的字节数，文件的总字节数。可以利用此信息确定读取进度。最终urlretrieve函数返回一个二元元组，包括存储数据的文件名，以及含有文件头信息的Message类。

# urlretrieve: 
# urlretrieve will download full HTML and save it as a file
# filename -- file save path and file name, default None, and path is AppData/temp
# reporthook -- pass a function to this para, and three para(blocknum, block_size, total_size) will be passed to your function
print(request.urlretrieve(url, filename='baidu_url', reporthook=print))

以下为输出结果，

0 8192 227  
1 8192 227  
('baidu_url', <http.client.HTTPMessage object at 0x00000000035D38D0>)  

最后是使用quote和unquote函数对URL进行转换，在URL中存在许多不支持的字符，例如空格等，可将其转换为%xx，xx表示该字符的十六进制ASCII码，使用quote和unquote函数可以在两者之间进行切换，同时quote函数还支持safe参数，选择不需要转换的字符进行保留，其默认值为‘/’，类似的还有quote_plus/unquote_plus函数(转换+号)。

# quote:
# quote function can encode some symbol that not allowed in URL into %xx
print(request.quote('diss act&cat/sad')) # diss%20act%26cat/sad 
print(request.quote('diss act&cat/sad', safe='/&')) # diss%20act&cat/sad 

# unquote:
print(request.unquote('diss%20act%26cat/sad')) # diss act&cat/sad